近期的弱监督图像语义分割算法主要是基于通用分类网络的弱定位能力生成初始定位图,然后基于擦除或区域生长等方法扩展初始定位图中的物体语义区域以获得较完整的物体定位图,最后基于该定位图合成分割标签训练分割网络。较之早期算法能更好地获得物体的定位区域,但在物体语义区域定位的准确率、训练步骤及效率方面仍存在一定的局限性。针对这些局限性,本文提出一种基于全局区域生长的定位图优化方法,并进一步采用分割标签质量提升与多尺度信息优化方法来提升图像语义分割性能。本文主要包括以下内容:(1)针对定位图定位区域的稀疏问题,提出全局区域生长的定位图优化方法。基于该方法设计了一个用于分割的全局区域生长网络(Global Regional Growth Network,GRGN)。全局区域生长方法首先基于初始定位区域的定位分布,对特征图全局处理,着重突出对象非判别区域。然后,利用判别区域引导网络在训练中关注非判别区域并激活,与初始定位图融合后获得较完整的对象语义区域。最后,基于融合后的定位图合成分割标签完成分割学习。(2)针对分割标签信息不精准和语义信息不足问题,提出了分割标签质量提升与多尺度信息优化方法。该方法与第三章全局区域生长网络进行了整合,从而设计了空间级联金字塔网络(Spatially Cascaded Pyramid Network,SCPN)。首先,通过定位图动态融合与分割标签动态阈值合成的方法来提升分割标签质量,定位图动态融合方法使得融合后的定位图中前景与背景信息的对比度显著、边缘突出;而分割标签动态阈值合成方法使训练期间合成的分割标签信息更加完整且准确。然后,基于空洞卷积设计的空间级联金字塔模块实现多尺度信息的优化,模块中的级联生长和分层融合结构可以挖掘更多的对象语义信息,输出分割预测图。最后,分割预测图在分割标签的监督下可以更好地学习语义信息。