目标检测是计算机视觉领域的重要研究内容之一。目前经典的目标检测方法可以分为基于全监督的目标检测和基于弱监督的目标检测两大类。由于全监督目标检测模型需要大量具有类别标签和目标边界框的训练数据而这类标注数据较难获得,因此探讨仅需要具有类别标签数据的弱监督目标检测方法具有重要意义。本文探讨基于弱监督学习的目标检测改进方法以提升弱监督目标检测的性能并扩展其应用范围。（1）通过添加基于类激活图的候选框生成方法,给出了一种改进的基于类激活图和多分支细化的弱监督目标检测方法。弱监督目标检测的训练数据中缺少目标的位置信息,其训练主要是基于多示例学习的,而多示例学习的非凸性可能导致目标检测结果出现局部聚焦。通过类激活图可以挖掘出图像中的特征位置,从而得到目标的位置信息。本文基于类激活图的高响应区域生成目标候选框,再将这些候选框输入到弱监督目标检测模型中以训练多分支细化网络。这样可以使计算模型更多地利用目标位置信息,进而得到更准确的检测结果。（2）通过引入基于类别计数的候选框选择方法,给出了一种改进的基于类别计数和多分支细化的弱监督目标检测方法。当图像中相同类别的多个目标距离较近时,包含多个目标的检测框得分通常高于包含单个目标的检测框得分;当图像中目标与背景差异较小或目标较小时,检测框得分通常小于较明显或较大目标的得分。这可能导致检测框过大或丢失等问题。本文通过引入类别计数给出了一种弱监督目标检测改进方法,通过对类别标注进行统计并基于所得类别计数信息用于在多分支细化过程中选择前一分支输出的候选区域训练下一分支。这有助于找出更多的目标并尽量避免实例丢失等问题。（3）通过添加基于类激活图的候选框生成方法和基于类别计数的候选框选择方法,给出了一种改进的基于类激活图和类别计数的弱监督目标检测方法。本文在候选框生成阶段添加了基于类激活图生成的候选框并在多分支细化阶段引入了类别计数,从而改进了弱监督目标检测的性能。在PASCAL VOC 2007数据集上的实验结果表明,所改进的弱监督目标检测方法在一定程度上提高了检测准确率和定位准确率。本文探讨了弱监督目标检测的改进方法。弱监督目标检测在模型训练时只使用图像类别标签而没有使用目标边界框标签,这减少了标注工作量但增加了目标检测的难度。训练数据中目标位置信息的缺失使得弱监督目标检测模型面临着检测框过小、过大或缺失等问题。所做工作在一定程度上改进了弱监督目标检测方法的性能,这对于扩展其应用范围具有一定的促进作用。