图像语义分割旨在实现图像像素级区域分割与识别,是多媒体分析、计算机视觉等众多任务的基础步骤。由于存在类内的差异性、类间的相似性、以及背景的复杂性等干扰问题,图像语义分割是一个极具挑战的工作。传统分割方法立足于手工设计的低层特征,难以有效刻画对象的语义信息,导致分割性能不足。近期,基于深度学习的分割方法能够通过深度网络提取更具判别性的深度语义特征,有效改善了语义分割性能。然而,基于深度学习的图像分割方法依赖大量精准的人工标注,而人工标注的生成效率低下、代价巨大,实际应用往往缺乏充足的高精度像素级标签。为此,研究者提出基于伪标注生成的弱监督语义分割方法,致力于通过如图像级或窗口级等较易获取的弱标注,自动生成大量高精度的像素级伪标注,有效缓解了精准人工标注代价高昂的难题。然而,由于粗糙弱标注与精准像素级标注之间信息的不对称,基于伪标注生成的弱监督语义分割方法存在以下两个难点:（1）如何充分利用和挖掘已存在标注数据库的前景先验信息,实现目标区域的准确提取。（2）如何构建不同于目前稠密预测的分割模型,实现不同伪标注的更有效融合和更准确伪标注的生成。针对上述难点,本文开展了以下工作:1)为了充分利用和挖掘已存在标注数据库的前景先验信息,本文基于已存在的大量标注数据,学习前景间的共性特征,以及前景、背景间的可判别特征,构建了类无关分割模型,实现了前景间类无关共性特征的提取,提高了模型在未知类上的泛化能力,完成了粗糙弱标注到精细像素级伪标注的有效转换。2)为了构建不同于目前稠密预测的分割模型,本文基于稀疏预测的思想,将逐像素稠密预测问题转化为边界点的稀疏预测问题,以预测目标少量边界点为目标,构建了稀疏类无关分割模型,实现了基于边界点检测的新型弱监督分割。3)受方案1)和方案2)结果多样性、互补性启发,本文提出基于集成机制的融合策略,以两种方案得到的互补伪标注为基础,通过集成投票策略获取每个像素的标签,减小了噪声像素标签的干扰。实验结果表明,该方案m Io U值为68.7%,明显优于中科院自动化所提出方法BCM-FRCRF的66.8%。