语义分割是计算机视觉领域常见的任务之一,强监督学习下的语义分割研究往往基于像素级别的标签,需要耗费大量的人力物力去进行人工标注。本文主要研究的是基于图像级(Image-level)标签的弱监督语义分割问题。弱监督语义分割研究中,图像中目标对象的弱监督定位问题是主要的研究方向和突破点之一。现有的基于图像级标签的分割模型绝大多数都采用CAM(Class Activation Mapping)算法进行弱监督定位,并得到目标的种子区域。但CAM得到的初始种子区域往往非常稀疏,覆盖面积小,针对多任务,多目标图像的定位效果也不是特别理想,这样会影响整个分割模型的精度。图像的显著信息同样包含了大量目标对象的位置信息及边界信息。实验证明,显著信息能够很好的补充说明弱监督定位信息。但在目前的语义分割任务中,显著信息很少用于目标对象的弱监督定位,或者仅仅只用于背景的定位。因此,本文考虑充分发挥显著信息的作用,将其融合到弱监督定位算法。并在此基础上,进一步提高弱监督语义分割的精度。针对上述问题,本文的主要工作有:(1)提出新的弱监督定位算法Sal-CAM(Salient Class Activation Mapping)。针对CAM(Class Activation Mapping)算法在语义分割任务中提供的定位信息稀少,以及定位不准确的问题进行优化,提出了Sal-CAM算法。一方面,将图像的显著信息融合到弱监督定位算法中;另一方面,改变原CAM使用GAP(Global Average Pooling)进行池化的方法,采用对梯度求平均的思想,保证原网络结构的不被改变。实验证明,Sal-CAM具有更高的弱监督定位精度,并且能为语义分割任务提供更多可靠的定位信息。(2)提出了针对动物视觉兴趣目标的弱监督定位算法Pan-CAM(Panda Class Activation Mapping)。我们通过开展国内首列大熊猫眼动实验,得到大熊猫视觉感兴趣的图像传统特征。利用这些传统特征对弱监督定位算法(Sal-CAM)进行优化,提出了Pan-CAM算法。实验证明,Pan-CAM算法能更准确地定位到图像中熊猫感兴趣的目标。(3)在Sal-CAM的基础上得到语义分割任务所需要的初始种子,结合种子区域扩张SRG(Seeded Region Growing)的思想,同时采用综合考虑前景与背景的损失函数,提出新的弱监督语义分割模型S-SRG(Salient Seeded Region Growing)。实验证明,S-SRG模型比同类型的语义分割模型具有更高的分割精度。