图像实例分割问题在计算机视觉领域中担当重要的角色。随着深度学习技术的迅速发展,基于深度神经网络的强监督实例分割技术已经取得了显著的进展。为了降低强监督实例分割技术对于高成本像素级人工标注的依赖性,基于弱监督学习的实例分割技术研究也逐渐引起了研究者的关注。为此,本文以人体目标为例,采用基于深度学习技术的分割框架,展开弱监督实例分割技术的相关研究。具体研究工作及成果如下:(1)采用差分进化的PRM实例分割算法。原PRM弱监督实例分割方法速度慢,给出目标候选位置的MCG分割方法对分割提议的排名敏感且依赖其他数据库的像素标注。为此,本文利用差分进化(DE,Differential Evolution)算法进行前背景分割,消除了PRM对像素标注的依赖和候选位置的排名问题,提高了实例分割的精度,并大大降低了实例分割的时间。(2)引入显著特征图生成机制的IRNET实例分割算法。在IRNET弱监督实例分割方法中,类别响应图只能识别目标的部分信息。本文引入显著特征图(SM,Saliency Map)突出目标显著区域并采用逐步擦除策略完善目标整体信息,提出了改进的IRNET实例分割算法SM＿IRNET(IRNET based on Saliency Map)。实验表明,改进后的方法能够提升算法性能,改善弱监督人体实例分割的精度。(3)结合少量实例分割标注的半监督实例分割算法。鉴于很多目标目前已有部分实例标注,本文搭建了一个综合利用已有像素标注及弱监督信息的实例分割框架,通过改进神经网络的损失函数使网络从多种信息来源中有效学习目标的实例分割,从而提升了实例分割的精度。综上所述,本文分析了当前弱监督实例分割先进算法的缺点,针对运行速度慢、过度依赖像素标注、类别响应图提取信息不足等问题提出了有效的解决方案。在缺乏大量像素级实例标注的条件下,一定程度上提高了行人目标的实例分割精度,提升了算法的速度,为实例分割的推广和应用奠定了基础。