显著性目标检测作为计算机视觉领域中的一项重要任务,对于图像高层语义的理解具备重要意义,为各类图像处理和计算机视觉相关任务提供了必要的先验知识。作为像素级图像分割任务,显著性目标检测非常依赖高质量、大规模的像素级标签作为数据支撑,其获取往往费时费力、代价高昂。因此,基于标注高效的图像级标签的弱监督学习近年来受到了广泛关注。现有工作大多关注于如何获取高质量的伪标签,而忽略了伪标签中广泛存在的噪声对于显著性网络的消极影响,这导致最终的网络模型性能并不理想。为此,本文基于伪标签优化思想,分别从多路信息优化以及伪标签自校准优化出发,从不同的角度探究如何对含噪声的初始伪标签进行有效优化,进而获得高性能的显著性网络模型。综上所述,本文的主要研究工作及创新点如下:（1）构建弱监督显著性目标检测领域中首个显著性目标类别数据集（DUTS-Cls）。该数据集包含44个类别和5959个图像样本,确保所有图像样本的类别标签都能够准确地对应图像中的显著性目标。（2）针对单一伪标签中的显著性信息过于片面的问题,提出了一种基于多路信息优化的弱监督显著性目标检测框架。首先,基于现有的图像处理算法获取风格不同、各有优劣的两种伪标签,作为所提出框架的两路监督源。然后,提出一种新颖的多过滤器指导网络,包括两个指导过滤器和一个显著性解码器。在训练过程中指导过滤器分别学习对应的两路监督源中的显著性信息,在自监督损失的约束下进行整合和细化后,获得纯净的、全面的显著性信息。提纯后的显著性信息以监督的形式被传递给显著性网络,从而完成对显著性信息的提取、整合和传递。大量实验验证了该方法在多个数据集上的表现均优于当前最先进的同类方法,并且具备良好的泛化性和可扩展性。（3）针对伪标签中噪声信息过分干扰显著性网络模型性能的问题,提出了一种简单有效的伪标签自校准优化方法,即自校准学习策略。基于显著性网络在训练初期表现出的对于伪标签中噪声信息的相对鲁棒性,构建显著性网络和伪标签之间相互校准的正循环机制。逐步扩大伪标签中准确的显著性信息,并消除噪声对显著性网络的消极影响。在此过程中一种基于像素间颜色亲密度的传统图像细化算法被用来完成对显著性细节信息的补充。实验验证该方法在多个数据集上的表现均优于最新的同类方法,并且在不增加模型复杂度的条件下可扩展至其他方法中,并提升其模型性能。