图像实例分割任务的目标是对图像中的个体进行像素级的识别和检测,在自动驾驶、无人机飞行、地理信息系统、医疗辅助诊断、智能机器人等领域有着广泛的应用前景。近些年来随着深度学习广泛应用于计算机视觉各项任务,如图像识别、目标检测、语义分割等任务,并取得了辉煌的成果,实例分割任务也引入了深度学习技术并取得了显著的进步。由于全监督实例分割模型的训练数据需要大量极耗资源的像素级标注,基于弱化标注信息的实例分割技术逐渐引起研究者们的广泛关注。在此背景下,本文工作基于深度学习技术针对弱监督实例分割任务进行了深入研究。目前在众多弱监督实例分割的方法中,都是基于PASCAL VOC只有图像级标注信息的训练数据实现分割网络的训练。由于缺少实例级别和像素级别的真实标注,图像中物体的分类准确性、检测召回率、分割完整性成为该任务的难点,在此前提下,模型的性能更是无法顾及。本文针对上述难点问题进行了深入探索,提出基于峰值响应图的挖掘和过滤的对抗策略,以弥补图像级类别标注信息无法有效地提供实例的位置信息和形状信息的不足,进而有效地解决实例分割任务的分类、检测、分割问题以提高该任务整体的精确性。同时提出多尺度峰值响应图的概念,并基于峰值响应图构建级联架构的分割子网络,不仅能够提高模型的精度,同时显著提升模型的速率。本文工作的主要贡献如下:1.提出一种基于峰值响应图挖掘和过滤的对抗策略以提高弱监督实例分割的精度。该方法最终目标是为完全监督的形式训练实例分割算法提供精度更高的像素级标注。在此之前,引入对抗擦除策略拓展图像中物体的语义响应区域,并采用峰值响应图算法（PRM）进行峰值激活和响应。随后基于峰值的深度特征进行聚类分析,融合来自同一实例的不同峰值响应图以增加其完整性和多样性。在此基础上,采用过滤的思想基于峰值响应图设计一个评分机制,并从MCG算法提供的候选集合中以迭代的形式检索最佳项作为分割掩膜,而后结合类别和形状信息更新置信度进行过滤,以获得更为干净、准确、完整的分割结果作为像素级标注。该方法能够弥补因标注信息不足而带来粗糙分割的缺陷,因而提高弱监督条件下实例分割任务的精确度。2.提出一种级联架构监督训练的分割子网络以提高弱监督实例分割的精度和效率。利用来自主干网络中不同层特征进行峰值激活和响应以引入多尺度峰值响应图,该策略能够提高峰值响应图的多样性以及完整性。为实现更完整、精确的实例分割,基于分割掩膜的伪像素级监督,采用实例激活图算法（IAM）填充不完整、局部的峰值响应图至完整物体。在此基础上提出级联架构的分割网络,逐级采用不同完整程度的峰值响应图和分割输出作为下一级分割网络的输入进行监督训练,并依据上级分割结果提取更丰富的物体特征进行特征增强。因而模型测试时不再需要检索候选分割掩膜集合,不仅精细化分割质量,同时显著提升分割速度。基于以上研究成果,本文工作在PASCAL VOC 2012数据集上进行了验证,相比现有方法在精度和速度上有很大提升,并通过大量对比实验验证了各个策略的有效性。