图像语义分割作为计算机视觉研究领域的重要分支,被广泛应用于自动驾驶,医疗图像分析和人机交互等场景。目前,基于深度学习的图像语义分割算法依赖于使用大量的像素级标注用于训练,由于获取此类标注需要昂贵的时间和经济代价,全监督语义分割算法的性能和泛化性均受到了制约。为了减少对像素级标注信息的依赖,基于更弱标注信息的弱监督语义分割算法被陆续提出。本文对基于图像级类别标签的弱监督语义分割算法展开了研究,并针对其中的种子区域生长算法框架提出了优化方案。在该算法框架中,瓶颈主要在于两点:种子区域作为提供目标物体定位线索的基本信息,存在稀疏和对目标物体覆盖率低的问题;种子区域扩展算法容易错误地扩展到背景区域,使得生成的分割伪标签较难具有目标物体的清晰轮廓。本文对上述问题依次提出了优化方案,具体工作如下:1)针对种子区域稀疏的问题,在现有种子区域生成算法的基础上,提出了基于图像块的度量学习任务进行联合迭代优化。该任务通过生成目标物体的图像块提案并对其进行度量学习任务训练,能有效地增强种子区域生成网络对目标物体局部特征的理解能力,从而提高种子区域对目标物体的覆盖精度。2)针对种子区域生长算法中存在的分割边界模糊的问题,我们基于Affinity Net提出了对类别置信度不高的模糊区域像素做进一步像素关联度挖掘的改进方案。基于目标物体的边缘常常存在于模糊区域的观察,我们提出对模糊区域像素与高置信度背景像素进行显式的关联度挖掘以学习更精准的分割边界。本文提出的优化算法能显著地提高基于种子区域生长的弱监督语义分割算法的性能。其中,对种子区域生成阶段提出的基于图像块的度量学习算法在与两种不同的基线种子区域生成算法进行联合训练后,均可以有效地提高种子区域的精度。而在种子区域扩展的步骤中,我们提出的模糊区域像素关联度挖掘算法使种子区域扩展后得到的分割伪标签能具有更清晰的边界轮廓,有效地提高了Affinity Net的性能。充分的实验结果证明了本文提出算法的有效性,优化后的种子区域与分割伪标签均能有效地提高弱监督语义分割算法框架的整体性能。