场景理解可以辅助或提高计算机或智能设备对复杂多变场景的感知和理解能力,它广泛用于自动驾驶系统、机器人感知、无人机以及可穿戴设备等实际工业中。而图像语义分割（Image Semantic Segmentation）作为场景理解中关键任务之一,它是将图像中不同目标进行分割并赋予每个像素相应的语义标签。现阶段很多图像语义分割是基于卷积神经网络来实现的,其通常是基于全监督的任务。然而,对于全监督的图像语义分割,一方面获得大量像素级的精细标注非常耗时耗力,另一方面寻找一种高精度且适用于任何场景的跨领域、多模态数据下的图像语义分割方法仍然很困难。因此,本文旨在寻求一种弱监督条件下的语义分割方法,以解决像素级标注困难和复杂场景语义理解的问题。而图像分割作为图像语义分割的基础,其分割质量直接影响语义分割的分割精度。因此,本文围绕图像语义分割中的图像分割以及弱监督条件下的语义分割展开研究工作,具体内容如下:（1）针对图像分割中以像素为基本处理单元进行操作的算法复杂度高、可提取的视觉特征有限,导致图像分割精度低等缺点,本文提出一种自适应生成初始超像素个数的图像分割方法。首先,利用图像自身颜色直方图统计信息来自动获取初始超像素个数,解决初始超像素数需要人为设置的问题。其次,通过计算超像素内颜色分量的最大差值对存在的欠分割超像素进行检测和处理,处理后对每个超像素均进行视觉特征的提取。最后,在考虑超像素之间相邻关系的基础上,统计相邻超像素之间的相似度以合并相似度最高的相邻超像素,并以取平均值的方式更新超像素的聚类中心。（2）针对弱监督条件下语义分割中如何有效地将图像级标签映射到图像中的像素上的问题,本文提出一种基于候选区域和深度混合模型的弱监督语义分割算法。该算法首先基于超像素分割算法获得图像中的目标候选区域。然后,通过邻域粗糙集对候选区域生成不同的邻域粒子,根据图像级标签统计信息从最高频率的语义标签开始推断,且基于最强的语义关联关系推断出其他候选区域语义标签。最后,利用含有语义的候选区域训练极限学习机（Extreme Learning Machine,ELM）以进行准确、快速地分类,其可以减少训练数据中负样本像素的引入并提高分类的准确性。此外,ELM无需迭代调节参数且可以随时加入新的数据集进行训练,可以提升算法效率和泛化能力。