图像语义分割作为计算机视觉领域最为重要的任务之一,目前已经大规模应用于现实生活场景中的诸多领域。图像语义分割的含义是对图像中的每一个像素逐一进行类别的分配。但以全监督的方式训练卷积神经网络需对每一个像素进行手工标注,费时费力,相较于全监督,弱监督语义分割具有标注速度快、人工成本低等优势,吸引了众多研究者的目光。本文是基于图像级标签的弱监督方式展开研究的。种子生长及边界限制的算法基于简单明晰的思路和优良的分割结果两个优势,目前已被众多学者们在图像级标签的弱监督语义分割算法中所应用,本文亦基于此方法,对深度种子区域生长（Deep Seed Region Growing,DSRG）模型的分类和分割网络模块分别进行了改进优化,本文主要工作内容如下:针对所研究的DSRG模型面临的初始种子较为稀疏这一不足之处,对DSRG模型的分类网络部分进行改进,改进后的模型是将DSRG模型中利用类别激活映射（Class Activation Map,CAM）算法结合VGG16分类网络部分更改为利用梯度类加权激活映射（Gradient-weighted Class Activation Mapping,GRAD-CAM）算法结合 ResNet101V2 分类网络,本文称为GRAD-CAMDSRG模型。将VGG16分类网络改为性能更好的ResNet101V2分类网络,可以获得更多的显著性特征,将CAM算法改进为GRAD-CAM算法可以更好地解释卷积神经网络,两者的结合可以扩大初始种子的区域范围,对DSRG模型面临种子稀疏的问题有了一定程度的解决。针对所研究的DSRG模型面临的种子扩展过程中出现过度生长或生长不足的问题,对DSRG模型的分割网络进行了改进,将DSRG模型中分割网络部分的DeepLabV2模型改进为DeepLabV3+模型,DeepLabV3+模型较DeepLabV2模型提取到更多尺度的空间纹理信息,提高了网络分割精度,并结合改进后的分类网络部分,本文称为GRAD-CAMDeepLabV3+DSRG模型。在PASCAL VOC 2012的增强版SBD数据集上,对GRAD-CAMDSRG模型,GRAD-CAMDeepLabV3+DSRG模型和DSRG模型的分割性能进行了对比实验。本文关于分割性能对比实验结果显示,GRAD-CAMDSRG模型的MIOU值为59.5%,比 DSRG 模型的MIOU值提升了0.5%,GRAD-CAMDeepLabV3+DSRG 模型的MIOU值为60.2%,比DSRG模型的MIOU值提升了 1.2%,验证了改进方法的可行性。