目标检测是计算机视觉中非常重要的课题之一,主要任务是检测图片中存在物体类别并给出定位。目标检测在医学图像检测、无人超市、拍照购物中有着丰富的应用场景。然而目前的目标检测模型都是具有真实标注框作为训练条件的全监督目标检测模型。对训练图片进行框标注需要消耗大量的人力物力。为节约标注工作的成本,弱监督目标检测的研究应运而生。弱监督模型仅需要对图片中物体的类别信息进行标注,而不需要标注框信息,我们又可以轻易地在互联网上获取大量未标注的图片。所以弱监督目标检测的研究具有重要意义。然而目前最先进的弱监督目标检测方法是通过训练一个弱监督目标检测模型,由训练好的弱监督模型生成伪标注边框,利用伪标注边框再次训练一个全监督目标检测模型。这是两步骤的目标检测模型,增加了目标检测的时间。本文通过对弱监督目标检测的探索提出了一步骤的弱监督模型,并且达到了比近年几种经典方法更好的弱监督目标检测效果。第一,提出一种基于边框回归的弱监督目标检测方法。本方法是一步骤弱监督目标检测模型,利用基础多实例学习网络产生粗粒度伪标注框,通过聚类算法对粗粒度伪标注框进行边框融合产生细粒度伪标注框,利用此伪标注框对弱监督模型自身进行边框回归,提高了检测结果。第二,提出一种基于图卷积神经网络的弱监督目标检测方法,首先模型通过多实例网络检测出覆盖物体中心的框作为伪标注框。利用图卷积神经网络原理,将伪标注框和与伪标注框相交的周围边框进行特征融合。周围边框学习伪标注框的特征信息,使网络检测到更完整的物体。利用图卷积神经网络代替了冗余的实例分类器优化网络,从而提高弱监督目标检测的精度。通过实验表明本文提出的两种算法在目标检测评价指标和图片检测结果可视化上都优于近年典型的弱监督目标检测模型。