图像视觉语义理解是图像处理任务中的研究热点。现有基于深度卷积神经网络的图像视觉语义理解方法,往往需要使用大量包含详细目标轮廓的细粒度标注数据。然而,这些详细标注数据的获取需要耗费大量时间和经济成本,限制了图像视觉语义理解方法的性能提升及其在复杂场景下的泛化能力。针对这一问题,研究人员放宽训练数据的标注精度,提出采用图像级标注数据来训练弱监督视觉语义理解模型。然而,图像级标注仅能提供图像中目标的类别,缺少目标位置及轮廓信息,使得弱监督图像视觉语义理解方法在复杂自然场景下的实现成为新的难点。本文主要针对图像视觉语义理解中的语义分割和目标检测两个任务开展深入研究,在图像级标注数据监督下,优化网络结构,实现对目标较为完整的位置轮廓信息挖掘。本文的主要工作和贡献如下:（1）提出基于空洞卷积像素关系的弱监督图像语义分割方法。针对图像级标注数据训练的模型只关注图像中目标判别性区域而导致的像素级伪标签不完整的问题,在分类模型中引入多空洞率的空洞卷积单元以及自注意力机制,在扩大感受野的同时自适应地增强目标区域并抑制其他不相关区域,生成高质量的像素级伪标签,进而训练语义分割模型。实验结果表明,该方法能够有效改善伪标签精度,在PASCAL VOC 2012的验证集和测试集分别达到了65.3%和66.2%交并比的良好性能。（2）提出单阶段注意力引导增强弱监督图像语义分割方法。针对两阶段弱监督语义分割方法导致的模型训练复杂度增加问题,将分类模型与分割模型融合至同一框架,在图像级标注的监督下,以端到端训练的方式直接生成分割图。提出注意力引导模块,以自底向上的方式指导模型学习空间和语义信息。同时,提出上下文注意力模块,捕捉网络模型不同层之间产生的特定类特征图之间的远程上下文依赖关系,自适应地增强对象区域并抑制噪声的产生。实验表明,该方法相比于其他端到端的弱监督语义分割方法在分割准确性上有明显提升,在PASCAL VOC 2012的验证集和测试集分别实现了66.1%和66.3%交并比的分割性能。（3）提出基于候选区域自监督注意力学习的弱监督目标检测方法。在图像级弱监督下,大多数目标检测方法只能检测出图像中的显著目标部分,并且对同一图像不同仿射变换的检测结果不稳定。为解决以上问题,提出自监督注意力学习模块,通过一致性正则化损失减少原始特征注意力图与均衡注意力图之间及其仿射变换产生的注意力图之间的差异。在候选区域选择阶段,自适应选择高置信度目标候选区域作为正例,同时只选择特定类别的目标候选区域作为难负例（Hard Negative）,从而促进弱监督检测模型训练。实验结果表明,该方法提出的各个模块对检测小目标以及多个相邻同类别目标等方面的性能均有明显提升,在PASCAL VOC2007和PASCAL VOC 2012数据集上分别获得了54.8%和53.4%的平均精度均值,以及72.6%和71.4%的正确定位率。综上所述,本文针对弱监督图像视觉语义理解中语义分割和目标检测任务展开研究,提出相应的模型和方法,对后续弱监督图像视觉语义理解方法的研究具有一定的理论意义和广泛的应用价值。