目标检测是当前计算机视觉领域最基本也最具挑战性的研究课题之一。目标检测在机器人导航、智能视频监控和工业检测等领域有着广泛的应用,也为人脸识别与检测、目标跟踪和行人重识别等研究方向提供基础支撑。近年来,随着深度卷积神经网络的兴起和标注数据量的大幅增加,基于深度卷积神经网络的目标检测取得了较之传统方法更佳的性能。现今的基于深度卷积神经网络的目标检测面临着两个问题:其一是训练神经网络模型需要海量的标注数据,这些数据的获取和标注费时费力;其二是目标检测的数据集存在较为严重的类间数量不平衡问题,这对目标检测的精度有较大影响。针对目标检测存在的问题,我们着手研究基于深度卷积神经网络和弱监督学习的目标检测方法,重点在于挖掘和利用弱监督信息来提升在标注数据有限情况下的目标检测精度。本文提出了两种结合卷积神经网络和弱监督学习来提升目标检测精度的方法,具体内容如下:（1）提出了一种基于中心点监督的目标尺度估计方法。当前基于边界框的强监督目标检测方法虽然能获得较高检测精度,但是其需要人工标注大量的边界框。此外,基于图像级标签的弱监督目标检测方法虽然节省了标注成本,但是其检测精度往往较差。针对现阶段目标检测存在的问题,所提出方法使用中心点作为监督信息,结合卷积神经网络特征可视化来估计目标的尺度,并生成伪边界框来训练目标检测网络。在PASCAL VOC 2007和PASCAL VOC 2012目标检测数据集上,所提出方法取得了比基于图像级标签监督的方法和基于中心点监督的方法更高的检测精度。值得注意的是,所提出方法只使用了中心点作为监督信息,为此能在检测精度和数据标注成本之间取得较好的平衡。（2）提出了一种基于弱监督语义分割的数据集增强方法。目标检测数据集中存在类间不平衡问题。目前的一些解决方法存在提升精度有限、容易过拟合的问题,还有一些方法使用掩膜增强数据,而人工标注掩膜费时费力。针对这些问题,所提出方法使用边界框作为监督信息来训练弱监督语义分割网络,并将弱监督语义分割网络生成的掩膜用于增强数据集。所提出方法能有效地降低目标检测数据集的不平衡率,同时提升数据集的多样性。所提出方法在PASCAL VOC 2007和PASCAL VOC 2012目标检测数据集上都取得了相对于其他前沿方法更高的检测精度。