近年来,基于深度学习的表面缺陷检测技术获得了极好的结果。深度学习极大程度依赖于大规模有精细标注的数据,数据的标注需要花费大量的人力、金钱,尤其是对于缺陷语义分割任务,需要为缺陷图像的每个像素点都进行类别标注,其花费的成本远远大于仅为整张图像进行类别标注。因此本文研究了针对扁钢表面缺陷语义分割的弱监督和混合监督学习方法,分别通过用类别标注来代替全部（弱监督）或部分像素级别标注（混合监督）来完成对模型的训练,达到节约标注成本的目的。研究了仅含类别标签训练样本（弱监督）情况下,如何通过弱监督学习方法来完成扁钢缺陷语义分割任务。分析了计算机视觉中类别激活图（Class Activation Map,CAM）技术在工业缺陷检测中的局限性与不足,并针对扁钢缺陷图片中缺陷面积普遍较小且不明显的特点,提出了多阶段自适应归一化类别激活图技术（Multistage Self-AdaptiveNormalize Class Activation Map,MSALN-CAM）来解决扁钢弱监督缺陷分割问题。针对训练样本种仅有少量像素级别标注和大量类别标注的（混合监督）情况,提出了交叉域和交叉注意力混合训练孪生网络（Cross field and Cross attention Hybrid training Siamese,CCHS）方法。该方法设计了一个混合监督孪生网络和交叉域交叉注意力网络（Cross Field and Cross Attention Network,CFCA Network）同时对混合监督数据中不同标注类型的图片进行训练。其中交叉域交叉注意力网络提出了交叉域注意力模块来充分利用两种不同标注类型的数据进行交互,将弱监督分类特征通过强监督分类特征和强监督分割特征进行交叉注意力计算,映射到弱监督分割域上作为参考,使得整个算法最终获得了接近强监督语义分割方法的结果。通过大量消融实验,并与其他弱监督以及全部使用像素级别标注的强监督方法进行比较,充分证明了MSALN-CAM和CCHS的优越性。最终证明,本文提出的模型能在极大地节约标注成本的同时,获得优越的分割结果。