对视网膜病变进行完整的分割是重要的临床诊断手段。地图状萎缩（GA）是干性老年性黄斑病变（AMD）的晚期表现,是导致永久性中心视力丧失的重要原因。得益于轴向方向的高分辨率成像,频域光学相干断层扫描（SD-OCT）可以为视网膜结构提供3D视角。深度学习已在SD-OCT图像分割中取得了良好的表现,然而对大量标注数据的依赖,仍然是深度学习技术应用中的一大挑战。本文利用图像级标签,提出了两个用于GA病变分割的深度弱监督模型,并获得了超过全监督模型的表现:（1）提出了一种新的多尺度类激活图（MS-CAM）模型,将多尺度融合策略引入类激活图（CAM）模型,改善了传统CAM模型的不足。设计了一个归一化上采样模块（SUS）,用于平衡多尺度特征之间的信息量,从而更充分地利用多尺度特征。提出了带注意力的全连接层（AFC）,通过将注意力机制引入全连接操作,使更重要的特征被增强,冗余的特征被削弱,从而更有效地融合多尺度特征。基于所提出的MS-CAM,可以获得更比传统CAM更精细的定位信息。（2）提出了镜像X型网络（MX-Net）模型,通过联合对比学习任务和图像分类任务,实现对GA的弱监督分割。提出了各向异性下采样（ADS）,可生成对各维度有不对称关注度的特征图,以适应SD-OCT图像中信息的维度不对称性。提出了一种新的对比学习方式,并联合了分类任务构成多任务学习系统,改善单任务学习在弱监督方法中的局限性。基于提出的对比学习模块,可以获得异常概率图（APM）用于表示图像中异常组织的分布情况,将APM进一步细化后可获得GA分割结果。（3）在两个数据集上评估了提出模型的性能。实验结果表明,本文的方法仅在图像级别标注数据的训练的情况下,获得了理想的实验效果,甚至分割精度超过了现有的全监督GA分割方法。