目标检测在近年来一直都是众多学者研究的热点问题。其目的是对自然图像中的实例对象进行分类并找出实例对应位置的包围框,在医学图像检测、人脸识别、视频监控等领域都有着非常广泛的应用。传统的目标检测技术都是建立在大量带有精确注释的图像数据集基础上,然而收集并标注该类数据耗时耗力,相较之下,基于弱监督学习的目标检测仅利用图像级别注释信息的数据即可完成目标检测模型构建。图像级注释仅需标注图像中的类别信息,不需要目标实例的精确定位,因此更容易被获取。当前的弱监督目标检测大多是基于多实例学习的方法,但利用多实例学习受区域推荐算法的限制,导致其容易陷入局部优化,即检测到的包围框仅能包含目标对象的局部位置。另外,图像特征提取过程中不能充分利用其空间信息和全局上下文信息之间的相关性,使得识别准确率较低。本文针对如何获取高质量候选区域及提取图像高层语义信息等问题,提出了一种双线性注意力特征融合的端到端弱监督目标检测。具体研究内容如下:首先,本文提出了一种获取高质量候选区域的方法。结合Grad-CAM算法其类别信息高响应的特性,对输出每个特定类的激活映射,设置10个分割阈值,平均分布在激活映射的最大灰度值和所有像素的平均灰度值之间。通过获取到的阈值使用最大连通区域法得到一组边界盒作为对象建议,利用这些建议过滤选择性搜索中无关或包含少量目标的候选区域,大大提高了检测的速率。其次,本文提出了双线性注意力特征融合模型,结合一阶注意力的全局上下文模块获取全局特征之间的相关性,以及二阶的双线性池化模块提取图像的局部特征,得到两个相同维度的特征表示并将它们进行融合。对不同层次和尺度的特征进行有效的利用,得到图像的高层信息表示,并将此特征表示送入目标检测网络做分类和定位。最后,本文结合了一种在线实例分类细化,将获取到的候选区域和高层特征表示进行RIO Pooling得到的建议特征,提取的建议特征向量输入到深度检测网络中,进行多阶段的实例分支去细化多实例学习头。实验证明,本文的方法只检测高质量区域框,检测速度得到的显著的提升,其包含目标的区域框也更加完整;结合双线性注意力特征融合模块,不仅能保留图像特征信息,而且能够捕获图像位置上下文信息之间的相关性,减少特征提取过程中重要特征的丢失,大大提升了目标类别准确率。在PASCAL VOC 2007数据集上,本文方法在弱监督目标检测上取得了优秀的性能,平均精度（m AP）和定位精度（Cor Loc）分别达到了51.0%和70.1%的准确率。