全卷积神经网络为图像语义分割开辟了新的发展道路,使图像语义分割得到了迅猛发展。图像语义分割是将不同的图像区域解析为语义相关类别的视觉任务。图像语义分割在车辆自动驾驶、医学疾病诊断、视频监控等方面有着广泛的研究前景和实践意义。现有的主流全监督图像语义分割方法需要耗费大量人力进行像素级标注,因此,研究不完全标记的图像语义分割是一个具有实际意义的研究方向。然而,现有的使用相对容易标注样本的弱监督图像语义分割方法缺乏对端到端弱监督语义分割问题的讨论,训练过程复杂且性能不佳。此外,使用少量像素级标注样本的半监督图像语义分割方法,在利用一致性正则化方法中引入的噪声,往往会引导网络在训练初期朝着错误方向进行学习,导致半监督性能的下降。针对以上内容,本文研究内容和主要贡献包括以下三个方面:第一,提出了基于自注意力机制的端到端弱监督图像语义分割方法。针对现有的弱监督语义分割方法需要多个网络分别进行训练,训练过程繁琐且性能不佳的缺点。本方法将弱监督语义分割所需的分类网络、分割网络使用权重共享的主干网络进行连接,提出基于类激活图的自注意力模块提高目标定位能力。此外,引入重构分支进行图像重构任务,提出基于重构特征的自注意力模块细化分割预测结果。该模型不仅可以解决现有弱监督语义分割方法繁琐训练过程的弊端,而且在不添加额外显著性处理技巧的情况下,有效提高了分割性能。实验结果表明,本方法设计的端到端弱监督语义分割方法训练简单,模型性能获得有效提升。第二,提出了基于一致性正则化的半监督图像语义分割方法。如果仅使用弱监督语义分割方法,其性能始终与全监督图像语义分割方法之间有较大的差距。因此适当使用少量像素级样本作为训练样本可以更加接近全监督语义分割网络的性能。现有的半监督图像语义分割方法大多关注图像不同扰动的一致性,但是在训练初期对错误信息进行一致性约束容易导致网络奔溃以及引入许多不相关类别预测的问题。本方法不对输入数据添加任何噪声,利用误差网络单向指导,从不同角度提出三个约束损失:学生网络与教师网络之间的单向指导约束、分割预测误差并集约束以及特征一致性约束损失。大量的实验表明,本方法有效缓解训练初期错误信息的一致性约束,有效提升半监督语义分割的性能。第三,提出了不确定性感知的半监督图像语义分割方法。对方法二中使用误差图进行指导后,引入噪声样本的问题,提出通过预测样本方差的不确定性度量方式解释噪声样本,使用不确定性估计网络评价分割预测误差的置信图。本方法设计了一个不确定感知的半监督语义分割方法,利用引入的不确定性估计网络获得无标签数据的误差高置信区域和误差低置信区域,提出高置信分割约束损失以及低置信度误差约束损失。本方法的不确定性度量方式解决误差图存在的问题,准确评价分割误差。通过大量的实验结果表明,本方法超过了其他最新的流行方法,取得了显著的半监督性能。