实例分割可对感兴趣目标进行分类、定位、分割,被广泛应用于视频监控、自动驾驶、医学影像等领域。相较于常规实例分割,基于弱监督学习的实例分割可极大地节省标注成本,在近年来得到了迅速的发展。然而,现有的弱监督实例分割方法仍然存在以下问题:1.没有充分关注训练标签的质量,导致无效像素级标签干扰网络训练。2.没有对实例分割网络进行改进,使之更适应于弱监督情形。针对上述问题,本文提出了一种基于互补双通道的弱监督实例分割算法。该方法的网络框架包含两条分支:大目标分支利用有效标签同时进行检测和分割训练,不仅让网络避免了无效标签的干扰,而且还使检测和分割任务彼此促进。小目标支路则首先对那些缺乏有效像素级标签的小目标进行目标检测,然后再利用Grab Cut对检测结果进行分割,从而使小目标免于像素级标签的监督。最后,将大目标分支和小目标分支的预测结果进行融合,以充分利用大小目标支路的互补特性。实验结果显示,该方法能远远超过其他先进方法,并且显著提升了大小目标的实例分割性能。上述方法首次根据生成标签的质量对弱监督实例分割网络进行创新,并取得了较好的效果。然而,其网络结构较为复杂且不能充分利用有限的监督信息。针对该问题,本文提出了一种基于两阶段迁移学习的弱监督实例分割算法。在第一阶段,该方法利用基于网络的迁移学习将目标检测网络的参数迁移到实例分割网络,以充分利用所有的监督信息;在第二阶段,再利用基于特征映射的迁移学习将检测特征映射到分割域,进一步提升了小目标的实例分割性能。实验表明两阶段的迁移学习能较大地提升实例分割网络的性能。且与现有方法相比,本章方法不仅分割结果更准确,而且网络结构更轻便。