近些年来,基于深度学习的显著性目标检测算法被广泛提出,并且相较于传统算法获得了极为可观的性能提升。但是,基于深度学习的像素级图像分割任务往往需要精细的人工标注数据。为了减少对人工标注数据的依赖,当前的研究者们推动了一系列基于无监督学习和弱监督学习的显著性目标检测算法的产生。然而这些方法与目前基于全监督学习的方法在性能上依然存在较大的差距。在现实场景应用下,除了绝大多数的弱标签数据之外,还存在少部分可以使用的像素级标签数据。基于这种现实场景下的数据类型分布,半监督学习方法成为一种解决显著性目标检测中数据标注成本问题的更好选择。最简单的半监督学习思路是直接合并强弱标签数据集合,然后对显著性目标检测网络进行端到端的训练。但是这样的处理方式没有办法完全利用弱标签数据信息,导致模型性能甚至达不到仅使用少量真值标签训练网络所获得效果。在本文的工作中,首先利用神经网络模型学习简笔标签（Scribble Annotations）和真值标签之间的映射关系,获得高质量的伪真值标签,并将其作为弱标签数据进行下一段的训练。为了更好地利用弱标签数据,本文提出了一种使用双分支网络分别处理强弱两种标签数据的方法,在两个分支中分别进行强监督学习和弱监督学习。另外在双分支网络中设计了非对称的引导融合模块,使得弱分支网络更关注物体的位置轮廓信息,强分支网络更关注物体的细节信息。当梯度在双分支网络中回传时,由一个共享模块来获取强弱标签数据的联合隐藏特征,以此消除强弱标签数据的差异性对训练过程造成的负面影响。通过设计的强弱双分支网络结构和非对称融合模块,在仅仅使用少部分的像素级真值标签进行训练的情况下就可以带来较大的性能提升。本文的方法在6个公开的显著性目标检测数据集上进行了性能测试,并且与其他无监督学习、弱监督学习和部分先进的全监督学习方法的定量与定性分析。实验表明,本文的方法在性能指标和视觉效果上远远优于其他基于无监督学习和弱监督学习的方法,而且在只使用了全监督学习方法20%左右的真值标注成本的情况下,达到了全监督学习方法95%以上的性能效果,有效地减少了对像素级标签数据的依赖。