随着深度神经网络的发展,基于全监督的语义分割方法在近年来不断取得突破进展,然而全监督的语义分割方法过度依赖于密集像素标注,这类标注信息需要高昂的时间与人工成本。为了降低语义分割任务对于标注信息的强依赖性,基于弱监督的语义分割方法逐渐受到了人们的关注。该类方法通常采用较为容易获取的标签,例如边界框标签,涂鸦标签,和图像级标签等。在这其中,图像级标签因为制作成本较低而被广泛使用。基于图像级标签的弱监督语义分割任务的主流方法通常采用种子区域生长思想,该类方法首先通过图像的类别标签获取种子区域,并通过学习像素亲和关系进行扩张,最终得到用于语义分割的伪标签。然而像素亲和关系学习依赖于种子区域的监督,但是种子区域是一种粗糙的定位信息,因此该类方法普遍存在监督标签中含有噪声的问题。除此之外,还有一些研究工作集中于研究如何获得更好的种子区域,这部分方法通常采用自监督或引入额外监督的思想挖掘更多种子区域。然而由于监督信息匮乏,这部分方法仍然受到较大约束。本文主要研究了现有的图像级弱监督语义分割方法,围绕更加准确的扩散语义信息和挖掘更多种子区域两个方向进行了深入的分析和研究。本文的主要工作如下:（1）针对现有亲和关系学习的弱监督语义分割方法中存在的问题,本文提出一种基于多尺度邻域的亲和关系学习方法,通过学习不同尺度邻域内的像素亲和关系,使得模型能够更好的适应不同尺度的待分割对象。同时针对语义亲和关系传播过程中的随机游走（Random Walk,RW）算法在扩张种子区域时缺乏上下文语义亲和关系交互的问题,本文提出一种基于半监督聚类的语义亲和关系传播方法,采用半监督学习思想,在类别激活图（Class Activation Map,CAM）的监督下进行聚类,实现全局语义亲和关系交互。实验证明提出的方法能够较好的学习像素亲和关系,并更加准确的传播语义信息。（2）针对亲和关系学习方法中CAM含有噪声的问题,本文提出了一种亲和标签不确定性估计的方法,通过估计亲和标签的不确定性指导网络更加关注标签较为准确的区域,从而降低CAM的噪声对于网络训练的影响。同时提出了一种基于困难样本挖掘的亲和关系学习方法,使网络学习像素亲和关系时关注到更多对象细节区域,从而提升伪标签质量。（3）针对图像级标签缺乏对象边界信息监督的问题,本文利用显著性图作为CAM的伪监督信息,通过显著性图引导网络发现更多对象边缘信息。同时为了更加全面的学习显著性图中的边界信息,本文提出一种多特征融合的方法,将高层特征的语义信息与低层特征的边缘信息融合,并利用注意力机制增强融合后特征,从而提升CAM质量。