图像语义分割是计算机视觉和模式识别领域的一个重要任务,被广泛应用于自动驾驶、医学、智能家居及时尚等领域。其目标是对图像中的所有像素点进行分类,然而在传统的全监督模式下,学习深度卷积神经网络需要大量逐像素标注的训练数据,而获取这些训练数据因标注成本巨大受到诸多限制。因此,研究者们将目光转向了标注信息更易获取的弱监督图像语义分割。其中,常用的弱标签有物体框、线、点和图像级标签,本文选择了获取成本最低同时含有信息最少的图像级弱标签来进行基于弱监督的图像语义分割的研究。在现有的基于图像级弱标签的弱监督图像语义分割算法中,多数算法以种子生长原则和边界约束原则作为思路进行分割,本文同样以此为基准,具体研究内容如下:针对基于种子生长及边界约束原则的分割算法中存在的初始种子稀疏问题,提出基于GRAD-CAM++的弱监督图像语义分割模型GRAD-CAM++-DSRG。该模型在DSRG模型的基础上,引入GRAD-CAM++方法,扩大了初始种子线索的范围,增强了分割网络模型的监督信息。在PASCAL VOC 2012数据集上,该方法基于多种分类网络,与GRAD-CAM方法进行初始种子线索区域对比实验,实验结果验证了结合Dense Net121分类网络的GRAD-CAM++方法生成的初始种子区域范围更广。在此数据集上,GRAD-CAM++-DSRG模型与较为先进的弱监督图像语义分割模型进行对比实验,实验结果表明,该模型的MIOU值达到58.4%,其分割性能优于较为先进的弱监督图像语义分割模型,较DSRG模型提高0.5%。针对基于种子生长及边界约束原则的分割算法中存在的种子扩张过度或生长不足以及分割边界模糊的问题,提出基于编码器-解码器的弱监督图像语义分割模型Encoder-Decoder-DSRG。该模型在DSRG模型的基础上,引入Encoder-Decoder结构,提高了分割特征图中低层空间特征的信息量。在PASCAL VOC 2012数据集上,与DSRG模型进行对比实验,实验结果表明,该模型MIOU值达到58.4%,与DSRG模型相比,提高0.5%,有效改善了种子扩张过度或生长不足以及分割边界模糊的问题。在PASCAL VOC 2012数据集和COCO数据集上进行消融实验,实验结果表明,融合了GRAD-CAM++方法和Encoder-Decoder结构的模型,在PASCAL VOC 2012数据集的MIOU值达到59.0%,与DSRG模型相比,提高1.1%,在COCO数据集的MIOU值达到27.7%,与DSRG模型相比,提高1.7%,有效改善了分割性能。