近年来,计算机视觉领域中的目标检测理论和应用得到了越来越多的关注。随着科技的进步,运用目标检测技术所诞生的产品目前也越来越多的出现在我们的生活当中,给我们的生活提供了很多的便利,但是目标检测在训练阶段是要消耗巨大的人力物力来对图片进行标注的,弱监督目标检测也就进入了人们的视野,目前主流的弱监督目标检测方法是多示例学习以及使用端到端方法的检测器,但是还是有不足的地方,多示例弱监督学习的目标检测还有一个无法避免的问题,那就是非凸性问题。基于端到端检测器这种方法有两个缺点:一个是无法充分利用上下文信息对提案进行分类;另一个是最可能会检测到对象的部分,而不是整个对象。因此,为了使端到端检测器能够有效利用上下文信息对提案进行分类,针对会存在检测结果只能检测到对象的部分以及弱监督目标检测的非凸性问题,本文主要改进如下:（1）针对无法有效利用上下文信息对提案进行分类提出了提案完整性评分网络（SSNet）,本文使用平均像素填充图像中的提案区域然后将整个图像放入SSNet。对象处理的图像中包含的区域越多,输出的网络得分越高。本文通过判断基于SSNet输出分数的提案的完整度和紧密度,从而可以有效的对不同的提案进行分类。另外,针对可能检测到对象的部分,而不是整个对象的问题,本文将回归框模块引入到现有的弱监督目标检测网络的PCL中。该模块的作用是修改与基本事实的不同的提案。而且还将回归框模块引入到本文提出的SSNet中使其更加准确。最后,通过多组对比实验验证此方法的有效性。（2）针对多示例弱监督学习的目标检测中的非凸性问题,本文提出了在线提案集生成（OAG）算法,旨在缓解非凸性问题,在训练过程中,训练网络的性能会有所不同。这影响此训练网络中在线PGT的质量。提案基于低质量PGT的抽样可能会删除许多积极的提案,并且破坏训练过程。为解决此问题,提出了动态提案约束（DPC）。DPC能够确定不同的提案抽样策略到目前的训练状态本文定义训练状态θ。通过调整θ值,找到最优θ值。最后通过实验验证此方法的有效性。