图像语义分割(Semantic Segmentation)致力于将图像中的内容给识别出来,会识别出每个位置像素的类别。基于全卷积神经网络(Fully Convolutional Networks,FCN)的语义分割方法取得了良好的进展,然而这种方法需要大量的且极其耗时的像素级别的标注。为了解决这个问题,基于弱监督和半监督的研究逐渐受到关注。如何充分利用图像边界框(Bounding Box)标注,这是一个非常困难的问题。在目前的弱监督和半监督算法中,大部分使用的是基于手工设计(handcrafted)的算法来生成图像区域建议(Region Proposals)来当作伪标签,这样做是比较生硬粗糙的,没有充分利用图像的边界框标注信息。针对上面的问题,本文提出了基于元学习(Learning to Learn)的弱监督和半监督学习的图像语义分割算法。在全卷积分割网络基础上,利用边界框(Bounding Box)标注信息,学习出一个通用的图像二元分割模型,然后再用其来生成图像区域建议。这种基于学习(Learning-based)的算法生成图像区域建议,可以更好的利用图像的全局信息和局部信息以及边界框的位置信息。在学习二元分割模型过程中,首先提出了单次学习生成图像区域建议,然后在此基础上,结合FCN输出的热度图,提出了多次迭代的学习,更充分的利用图像的分割信息。在基准数据集Pascal VOC 2012上的实验结果证明,本文的算法性能已经超过目前的最优秀的算法(state-of-the-art)。为了进一步探究模型的泛化性,本文将元学习模型迁移到图像实例分割(In-stance Segmentation)任务上,提供了基于弱监督学习 的图像实例分割基准(base-line)。在Mask R-CNN框架下,本文的弱监督实例分割算法的性能表现良好。