随着深度学习技术的发展和大规模目标检测数据集的出现,目标检测算法在性能上取得了显著的进步。然而,在大规模数据集上进行精确标注是一项经济成本和时间成本都很高的工作,每个不同的应用场景都需要标注特定的数据集,这导致了不同应用场景下的目标检测算法之间存在着较高的数据壁垒,繁重的数据标注工作已经逐渐成为了目标检测技术进一步发展的瓶颈。因此,对数据标注依赖更小的弱监督目标检测算法成为了学术界的一个重点研究方向。但是,弱监督目标检测算法目前依旧面临许多困难和挑战,如监督信息不完全的跨数据集目标检测算法的性能受伪标签质量的约束,监督信息不确切的弱监督目标检测算法因训练过程没有目标的位置和数量信息,导致算法定位能力差、易收敛到图片中的显著物体等问题。本文针对上述问题,从提升自学习过程中的监督质量和增加自学习过程中的监督途径两方面出发对弱监督目标检测算法展开深入研究:针对跨数据集目标检测算法的性能受到训练过程中产生的伪标签质量约束的问题,本文提出一种基于动态监督框架的跨数据集目标检测算法。该算法基于不同训练方式得到的检测模型所拥有的不同特性,针对性地提升自学习过程中产生的伪标签的召回率和准确率。通过实验分析验证,经过多次对伪标签的针对性优化,其质量能得到全面提升,进而提升了跨数据集目标检测算法的性能。针对监督信息不确切的弱监督目标检测算法定位效果差的问题,本文提出一种基于空间似然投票的弱监督目标检测算法。该算法结合所有目标候选区域的分类得分信息和空间位置信息,在每次训练迭代过程中在线计算产生空间似然图,空间似然图反映了各类别物体出现在每个位置的概率。通过在空间似然图中挖掘物体位置信息用于候选区域重分类和重定位的训练,提升弱监督目标检测算法的检测性能。针对监督信息不确切的弱监督目标检测算法易收敛到图片中的显著物体和显著区域的问题,本文提出一种基于自适应搜索与自知识蒸馏的弱监督目标检测算法。自适应搜索算法根据空间似然图的统计信息和似然值分布特征自适应地在图片中搜索潜在物体,产生更加全面和准确的监督信息指导检测算法的分类和回归训练。自知识蒸馏模块则在特征优化层面利用算法自身产生的空间似然图作为反馈信息指导算法的特征提取过程,鼓励该算法提取更多的物体上下文信息,而非着眼于物体的显著区域。该算法在PASCAL VOC 2007、PASCAL VOC2012以及MS-COCO数据集上的准确率均值分别达到57.2%,54.0%和27.3%。