人工智能越来越贴近人们的日常生活,图像语义分割作为计算机视觉的基础任务,被广泛应用于自动驾驶、机器人视觉感知、服装分类及地质分析等领域。传统深度学习下图像语义分割多采用全监督模式,而逐像素标记训练数据的成本十分高昂,因而研究者们将目光转向了被认为更具有潜在应用价值的弱监督图像语义分割算法研究。现有弱监督图像语义分割算法中,以基于种子生长及边界约束原则的分割思路较为直观,故本文以此为基准,对SEC(seed expand and constraint)模型的各个阶段做出优化工作如下。(1)提出在SEC模型的种子生长过程中引入多种先验约束包括抑制约束、前景约束及背景约束,构建MPCSEC(multiple priori constraint SEC)模型,以改善目标物体种子生长过度或种子生长不足的问题,使种子的扩张更为合理。(2)提出增加图像预处理层,通过图像自适应对比度增强、图像仿射变换的预处理操作,优化训练数据的质量和数量,使得模型的学习聚焦于目标物体的显性区分特征,同时丰富模型对数据学习的角度,以改善SEC模型初始种子提取存在的间断、稀疏问题。(3)将(1)和(2)的优化工作整合,构建更为强大的MSOSEC(multiple stage optimization SEC)模型,实现对SEC的进一步整体优化。(4)对MSOSEC模型进行裁剪及微调处理,获得更为精简且高效的弱监督图像语义分割模型,满足算法未来落地于移动化、实时化应用的需求。此外,本文通过实验验证了各项优化工作的有效性,实验结果显示基于本文最终整合优化的MSOSEC模型,语义分割的准确率相较现有SEC模型提升3.8%。而裁剪优化处理后,MSOSEC模型的整体精度损失为0.3%,同时参数量下降16.5%,单张图片的平均分割时长减少25%。本文算法基于图像级类标签,实现了图像的语义分割,且宏观层面上分割的结果表现也更为清晰、规整。