近年来,深度学习发展迅猛,在图像分析、自然语言处理等领域取得了优异的成绩。深度学习的优异表现依托于海量的数据支撑,数据的质量、数量都影响着深度学习模型的性能。然而,在现实场景中获取大量数据标注意味着庞大的人力、时间成本。弱监督目标定位为大规模数据的定位标注提供了途径。弱监督目标定位技术仅使用图像的类别标签,为图像中的目标生成边界框。在现实场景中,图像的类别标签比图中物体的位置信息更加容易获得。因此,基于粗粒度的图像级类别标签获取细粒度的目标物体边界框,可以在仅有类别标注的情况下对大规模图像数据生成目标位置标注,从而减少人力投入,提升工程效率。本文致力于利用深度学习方法,对基于特征擦除的弱监督目标定位方法进行改良和优化,并使用自监督学习进一步提升模型的定位性能。本文的主要贡献在于:1)本文提出了一种基于软引导与通道擦除的弱监督目标定位算法——多擦除流模型MEF-Net（Multiple Erasing Flows Network）。该模型主要包含三个组成部分,分别是软引导模块、通道擦除模块和多数据流结构。软引导模块提出了软擦除,并与硬擦除相结合,突破传统特征擦除中因特征完整性与定位准确性之间的矛盾而产生的性能瓶颈。通道擦除模块则将特征擦除应用在通道域,并提出合理的通道选择方案。最后,多数据流结构提供了一种无需增加额外参数量的方式集成以上擦除模块。2)本文提出了一种位置感知的自监督算法PASS（Position-aware Self-supervision）用于提升算法的定位性能。本文分析了现有的伪监督方法将分类与定位任务分离的原因,设计了位置感知的定位头,并以此构建多任务模型,实现分类与定位任务的联合训练,降低模型的参数量。在此基础上,本文引入自监督学习,在端到端训练过程中生成伪标签。位置感知的定位头与弱监督目标定位的自监督学习共同构成PASS,可以提升已有算法的定位性能。最终,本文提出的算法在相关研究的常用数据集上进行了测试,验证了所提出算法的有效性与优越性。