图像分割是计算机视觉领域的关键课题之一。在目标跟踪、行人检测、交通监控和医学图像分析等领域广泛应用。基于深度学习的图像分割模型,在大量人工标注的像素级标签下取得了显著成效。然而,对于强监督图像分割任务而言,收集大规模精确的像素级标签需要消耗昂贵的人力物力。同时,随着图像场景愈加复杂,标注的准确性也会随之下降。基于弱监督学习的图像分割方法,使用监督信息较少、标注成本较低的粗糙标签,如边界框、涂鸦、点甚至图像级标签就能够实现合理的分割性能。本文提出两种弱监督学习图像分割方法来解决语义分割和实例分割对数据标签依赖的问题。主要工作如下:（1）针对弱监督语义分割问题,提出网络数据增强的弱监督语义分割方法。该方法由两个模块组成,第一个模块对爬取的网络图像数据进行清洗。利用目标数据集训练类激活图网络,该网络能够过滤网络数据集中目标区域过小、图像内容与类别不匹配的图像。第二个模块负责语义分割,该模块由两个分支组成。第一个分支利用之前训练好的类激活图加上密集条件随机场,获得目标数据集的初始分割掩膜。第二个分支针对网络数据集进行分割。首先,利用协同分割对清洗后的网络数据集进行训练,生成网络数据集的分割掩膜;其次,以全监督的形式训练网络数据的全卷积网络;最后,将目标数据集输入到训练好的全卷积网络中生成增强掩膜。该模块的最后一步是将第一个分支生成的初始掩膜与第二个分支生成的增强掩膜进行融合,产生最终的分割掩膜,并基于最终的分割掩膜训练目标数据集的全卷积网络,获得语义分割结果。实验证明,本文方法在PASCAL VOC2012训练集和测试集的m Io U值分别达到63.2%和64.5%,优于同类弱监督语义分割算法,能够有效提升语义分割性能。（2）针对弱监督实例分割问题,提出基于弱监督学习的两阶段实例分割算法。第一阶段主要致力于生成伪分割掩膜。首先,训练带有峰值激活层的类激活图模型来粗略定位目标;其次,通过峰值反向传播得到峰值响应图以获得目标大致范围;最后,利用填充模块从目标区域不完整的峰值响应图中恢复整个目标区域,得到实例激活图。第二阶段以实例激活图作为真实分割掩膜,采用全监督的形式训练实例分割网络。实验结果表明,该方法不仅优于使用相同监督信息的方法,而且优于部分使用边界框标签的方法。