图像语义分割因为其应用广泛,有很重要的实际价值和理论意义,一直受到工业人员和研究学者的重点关注。随着大数据和云计算的兴起,计算机处理问题的能力大幅增强,数据获取愈发容易,促进了基于深度学习的图像语义分割算法产生。自深度学习网络产生后,它在计算机视觉领域表现令人瞩目。然而,以卷积神经网络为代表的全监督模型是以数据驱动的,依赖于海量数据训练。像素级标签对标注者的专业度和时间要求较高,而且需要耗费大量人力物力。弱监督图像语义分割有效地解决了这个问题,受到越来越多的人的关注。针对于目前弱监督图像语义分割方法存在的局限性,本文算法根据视觉选择性注意机制,得到用于指导分割网络的预测标签,通过优化生成对抗网络的结构,获取更加全面准确的特征信息,得到类别准确、边缘精细的分割结果,主要工作如下:1、提出了一种基于生成对抗网络的弱监督图像语义分割算法。首先根据人类视觉包含聚焦式注意力和显著性注意力特点,提出了一种语义特征提取模块,它通过对超像素分割和类激活映射图融合获取目标边缘信息和位置信息,经过条件随机场细化得到预测标签;然后将语义提取模块得到的预测标签引入生成对抗网络做监督信息进行分割,通过先固定生成器参数训练判别器,然后固定判别器训练生成器,迭代至达到纳什平衡点,从而得到分割结果。实验证明,该方法有效地从图像级弱标签得到了像素级预测监督信息,降低了对大量数据标签的依赖性并且获得较为精准的分割结果。2、提出了一种基于改进生成对抗网络(Improved Generative Adversarial Network,IMGAN)的弱监督图像语义分割算法。针对数据经过多层网络处理而丢失部分信息的问题,模型从引入跳跃结构、可变形卷积和多尺度方面着手,构建了一个基于可变形卷积的生成器和一个多尺度判别器,极大地保留了全局信息和局部信息。实验证明,该方法能够有效地改善因为特征信息丢失造成的边缘不完善的问题,并且局部分割结果更加精细。综上所述,本文提出的弱监督图像语义分割方法能够建立图像级类标签与像素之间的关系,捕获全面、精确的特征信息提升网络的分割能力。