图像语义分割任务因其广泛应用于自动驾驶、环境感知、人体解析等场景,成为了计算机视觉的热门研究方向之一,然而其只能分割出同类事物,无法将单个事物区分开来,图像实例分割任务则是针对该问题提出的有效解决方案。当前在一些人机交互应用场景中,出现了需要自然语言和图像数据共同作用完成的功能,例如人们给服务型机器人下达“open the door”命令后,机器人则结合语言信息和摄像头捕获的图像信息做出动作响应,由此产生了一项新颖的自然语言图像实例分割任务,该任务旨在根据输入的图像和描述语句输出与描述内容相符的分割结果。目前已提出的自然语言图像实例分割模型均采用强监督的训练方式,即利用像素级标注分割目标的数据集作为监督样本,然而构造此类数据集需要耗费大量人力和时间。针对训练数据集获取成本高的问题,本文从模型训练角度进行了弱监督方法的相关研究,其主要内容和创新点如下:(1)针对强监督模型采集训练数据成本高的问题,提出一种基于弱监督的自然语言图像实例分割模型,该模型仅需目标中心点和图像级标签即可完成训练,有效降低了训练数据的获取成本。(2)针对弱监督数据无法提供精确分割目标先验信息的问题,提出一种迭代训练网络模型,以弱监督数据作为初始监督样本,并将模型每轮训练结束后输出的结果用作下一轮训练时的监督,最终得到能够输出较为精细分割结果的自然语言图像实例分割模型。从实验结果上看,本文提出的弱监督自然语言图像实例分割模型的分割精度可比于已有的强监督方法,且在个别数据集上达到最高值,同时能有效降低训练数据的获取成本,使其在实际应用中更加方便快捷。