图像分割技术是计算机视觉的核心任务之一,并广泛应用于场景理解、医疗诊断、智慧交通等领域。图像分割技术取得巨大成就,部分原因在于其使用了大量的像素级地面真实标签,但精细地标注这些数据集是极其费时费力的,并且在实际的应用中往往缺乏足够多的高精度像素级标签信息。最近提出了很多弱监督方法,通过使用例如线、图像级、边界框和涂鸦等更加粗糙的弱标签,可以有效地缓解像素级标注所带来的工作量。尽管与全监督方法相比,这些方法的准确度较低,但它们的优点在于更加容易获取标签,可以在减少数据标注工作量的同时确保模型的分割性能。本文将聚焦于弱监督场景下的语义分割和实例分割,分别提出两种不同的方法并进一步提升分割性能,具体工作如下:（1）为了突出图像中非判别区域部分并产生更密集和完整的对象种子区域,提出一种融合分类网络生成注意力图和逐次擦除生成显著性图的弱监督语义分割方法。该方法分为三个模块:第一个模块经骨干网络特征提取后,利用多尺度卷积模块和自注意力机制挖掘出目标的大致区域,从而提升种子点的判别区域;第二个模块利用逐次擦除方法生成显著性图,显著性图能够找到前景中的多个目标;第三个模块结合前两个模块生成高质量的伪掩码,将其作为监督信息对语义分割网络进行训练。实验表明,该方法具有较好的分割效果,优于其它弱监督语义分割方法。（2）针对从图像级标签获取实例级标签所存在的问题,提出基于两阶段的弱监督实例分割方法。该方法主要包括两个阶段:第一个阶段首先将图像级标签作为监督信息,使用全卷积网络生成类响应图;其次加入峰值刺激层来刺激峰值从类响应图中显现;再次利用反向传播,有效地将峰值映射到每一个实例,生成峰值响应图,为了提高峰值的激活,采用平均激活值用于二元分类损失直到这个分类器收敛为止;最后利用峰值响应图和对象提议方法生成伪实例分割掩码。第二个阶段利用第一个阶段生成的伪实例分割掩码,将其作为监督信息训练一个全监督实例分割网络。此外利用特征金字塔模块将顶层和底层特征信息结合起来,加强目标对象间的特征,同时为了进一步提升小目标物体的分割性能,使用权值映射的迁移学习方法,将检测分支得到的权值映射到分割分支中。实验表明,该方法能够提高弱监督实例分割性能,不仅具有较高的分割精度,并且使得结构更加轻便。