近年来,计算机视觉被许多研究学者们所关注,图像的语义分割技术更是其中的研究热点。与此同时,科技的发展促进了深度传感设备的普及,我们可以采集到信息更为丰富的RGB-D图像。而各种室内智能设备的出现,也为语义分割提供了新的应用场景。但是,研究语义分割通常要求庞大的标注数据帮助训练,而现实场景中可用的标注数据过少,且需要花费大量人工代价来获得稠密标注数据。所以,本文着重研究在弱监督条件下针对室内场景的RGB-D图像语义分割,并给出了解决方案。本文的主要工作在于:(1)提出了一种自底向上的反馈式弱监督分割算法框架。该框架采用了随机森林进行初标注,然后通过改进的SLIC算法对图像预分割得到超像素,在此基础上提取超像素特征,使用条件随机场对初标注结果进行全局优化。最后,通过设计的反馈式机制解决弱监督带来的问题,从而构成整体算法模型。(2)探究并优化了用于随机森林的区域纹元特征组合模式。在使用随机森林初标注的同时,我们探究了多种不同的区域纹元特征组合模式,并融入了改进的深度归一化处理。最终,得出了最优的随机森林区域纹元特征的计算方案。(3)提出了多种新颖的用于条件随机场的超像素特征。在使用条件随机场过程中,我们针对超像素不规则的特点提出了三类特征,分别是外观特征、几何特征和纹理梯度特征。同时,还将深度信息融入到超像素分割当中。(4)提出了一种基于图像评价的反馈式分割机制。本文使用综合了边缘评价和区域评价的图像筛选器选出好的分割图像反馈回训练样本中,形成递归结构。通过实验,我们证明了提出的整体算法框架在弱监督语义分割上可以取得很好的效果,甚至优于部分全监督算法。