图像分割是一项应用价值极高的计算机视觉技术,它能提供中层视觉特征,在医学影像、交通控制、目标检测等领域有着广泛应用。近年来,随着深度学习的蓬勃发展,基于监督学习的图像分割方法取得了巨大的进步。然而,监督学习依赖于大量的标注数据,这限制了其适用场合。相反,无监督学习方法避免了对标注数据的依赖,但其性能往往与监督学习方法有着很大差距。为了在有监督和无监督方法中取得平衡,本文针对两种特定的图像分割任务,包括纹理图像分割和图像运动目标分割,分别研究了基于弱监督学习的用户交互式图像分割方法,通过用户交互获得少量带噪声数据作为弱监督信息,并构建弱监督学习分割模型,在大大减少对标签数据依赖的同时实现有效的分割。纹理图像分割以纹理为对象,其目标是把目标图像分割为多个均匀的纹理区域。由于纹理图像分割常与特定任务相关,同一张图像在不同任务中甚至需要得到不同的结果,无监督纹理分割很难适应具体任务的特定需求。同时,对于特定场景的纹理分割任务,目前往往缺少切实有效的大规模纹理分割数据库。因此,本文采用用户交互式的弱监督学习策略,要求用户在每个纹理区域中标记一个像素,并使该像素相邻区域获得相同的标记,这种标记的数据量很小,甚至包含部分错误。为了有效地利用这种弱标签数据,本文构建了一个基于弱监督学习的稀疏编码模型,该模型联合进行特征提取与区域分割,同时兼顾分割边界的连续性。图像的运动目标分割旨在分割出图像中运动的物体。相较于视频中的运动目标分割,单张图像缺少了时间轴信息,如前后帧关系。而且,单图像中的运动物体会伴有明显的模糊现象,而分割需要得到物体的清晰版本,这大大增加了分割的难度。为此,本文采用用户交互式策略,允许用户在图片上画出一个矩形框将运动目标大致包住,从而制造出一些弱监督信息作为指导。在此基础上,本文提出了一个弱监督的图像目标运动分割模型,对运动目标图层引入深度图像先验,同时使用卷积对运动过程进行建模,并用软分割掩膜对目标图层和背景图层的合成进行建模。通过求解模型,可以分别生成目标图层,背景图层,和对应的软分割掩膜。通过实验,本文验证了所提出的纹理图像分割方法和图像运动目标分割方法的有效性。相关成果能为其他弱监督方法和用户交互式方法提供新思路。