得益于计算力的提升,近年来,深度学习发展迅速,其中基于强监督学习的图像语义分割是让机器通过视觉实现场景理解的主要方式之一。然而基于强监督学习的语义分割模型的训练需要大量逐像素类别信息标注,这使得方法的实现需要付出极大的人力和时间代价,与之形成对比的是基于弱监督学习的相关方法,只需要图像级或者物体框等标注,较低的标注成本使得基于弱监督学习的语义场景理解方法得到越来越多的关注。虽然相比像素级图像标注,图像级类别标注和目标物体框标注更容易获取,但基于此类弱标注实现场景理解也更加困难,其主要挑战是:由于位置信息标注的缺失,即缺乏物体精确的位置信息和边界信息,使得算法很难将不同类别的前景与背景进行区分。为了克服这一挑战,本文尝试基于图像级类别标注,将经过改进的注意力模型引入多分类深度神经网络模型,用于捕获良好的物体位置信息与边界信息生成物体逐像素标注信息,并以此训练图像语义分割模型。具体来说,本文的工作主要体现在以下两个方面:1.分析传统注意力机制对于获取物体定位信息具有局限性的原因,从而对使用于卷积神经网络的传统注意力模型进行改进,方法通过重新设计注意力概率图的计算方式,减小了概率图中最大概率值与最小概率值之间的数值间隔,使得概率图在空间维度上整体数值更加平滑,更适用于获取目标物体的逐像素位置信息。在大型数据集ImageNet上的单目标定位实验中,该方法优于近年来已有的相关定位方法,表明了该改进注意力模型能有效获取良好的目标逐像素位置信息。2.对改进注意力模型获取的物体位置信息进行后处理,同时基于此模型的特点提出背景区域的定位方法,生成前景、背景像素级语义标注,并以此作为监督信号训练图像语义分割模型。在大型语义分割数据集Pascal Voc2012的实验中,方法的结果优于所对比的仅使用图像级类别标注的弱监督语义分割方法,分割精度提升了1.3%～3.6%,证明了方法的有效性。