语义分割是一种细粒度的场景理解任务,在自动驾驶、计算影像等众多应用中起着至关重要的作用。随着深度学习的发展,基于深度模型的语义分割算法也取得了重大的进步。但是由于语义分割需要像素级别的精确标注,相较于分类模型极大地提升了标注的难度和成本,也限制了语义分割任务在新场景的应用和扩展。为此,本文探究在弱监督情况下,即如何在降低数据标注的数量或者质量的情况下,保证分割模型的效果。针对语义分割任务中图像标注不精确的情况,本文提出协同语义分割网络（Collaborative Segmentation Network,CSS）的方法,将协同学习的思想应用到图像级别标签的弱监督语义分割任务上。CSS由一个定位子网络和一个分割子网络组成,两个结构和特性不同的子网络统一联合训练,互相增强。在训练过程中,定位子网络使用图像级别的标签作为监督,并生成注意力图。对于分割子网络,由于没有精细标签监督,本文将分割子网络和定位子网络的伪掩码混合起来作为分割子网络的监督。由于两个子网络的结构和监督信息不同,来自定位子网络的伪掩码可以提供物体粗略的位置信息,而来自分割子网络的伪掩码可以提供物体形状信息。考虑到模型训练的初始阶段,分割子网络的预测不如定位子网络的预测准确,本文设计了一种动态掩码混合策略,该策略可以动态的提高伪掩码中来自分割子网络的比例。此外,这两个子网网络之间进行底层网络的共享,从而互相增强。本文分别使用VGG16和Res Net101作为骨干网络,在语义分割基准数据集PASCAL VOC 2012进行了实验,在验证集和测试集分别达到65.7%和65.8%的m Io U,取得了当前图像级别标签语义分割最好水平。针对语义分割任务中图像标注不完全的情况,本文提出一种基于高阶一致性正则化的半监督语义分割算法（High-Order Consistency Regularization Based Semi-Supervised Segmentation,HCRSS）,将一致性正则化的思想应用到半监督图像语义分割任务上。通过约束分割网络对于无标签样本在不同扰动下的一致性,达到利用无标签样本数据分布的目的。首先,将基于图片块的扰动Cut Mix应用到半监督语义分割任务上,为语义分割任务提供了一种高效的扰动方式。在此基础之上,本文针对像素间互有关联这一特点提出使用对抗学习的方式,通过设计一个判别网络去判断分割网络结果的真实程度,强迫分割网络在扰动后能够产生更加真实的预测,从而约束了扰动前后预测结果间的高阶一致性。在Cam Vid数据集上的实验结果表明,在使用不同比例有标签数据的前提下,通过使用额外的无标签数据,本文的算法较监督学习算法都能有1.3%到2.9%的提高。在仅使用一半标签的情况下,本文算法在验证和测试集分别达到72.18%和62.42%,接近甚至超过基线算法在使用全部标签时的性能。