近年来,深度学习在计算机视觉领域中展现出令人振奋的性能。作为其重要的理论分支,目标检测技术已广泛应用于目标识别、视频监控、卫星遥感、医学成像等军事民用领域。然而,基于强监督学习的检测模型在训练时需要人工标注所有对象的位置信息,会消耗大量的时间和人力成本。因此,弱监督目标检测成为了一个重要研究方向。本文以此作为出发点,围绕不确切监督的弱监督学习方式展开研究。目标检测任务需要完成定位、识别两项工作。目前,基于弱监督方式的定位模型大多依赖于网络自身的特征提取特性进行初步定位。然而,用该方法生成的热力图仅趋向于关注目标中具有鉴别性的区域,难以覆盖目标整体。针对这一问题,本文结合基本卷积神经网络模型中不同特征层空间维度、通道维度的可视化结果,提出了一种基于双注意力掩模的弱监督目标定位模型。模型利用空洞卷积保留浅层细节特征,并借助注意力机制与连通域分析整合不同维度的特征分布,使网络模型关注点向目标主体聚集,从而减少背景信息的干扰。此外,通过掩模机制迫使网络寻找更多感兴趣区域,提高网络对目标整体区域的特征提取能力。最后,通过各模块对比分析确定最佳结构参数。实验结果表明,本文模型较之其它方法在分类、定位精度上均有所提升,且具有更好的细节保持及对目标整体形态的把握能力。现有的弱监督检测模型大多遵循基于候选区域提取的两阶段检测思路。由于仅从网络深层提取特征,检测视野较为固定,易出现目标粘连及多目标识别能力差的问题。此外,由于区域提取时无法预知检测对象的位置、类别信息,需要大量候选框来拟合所有可能目标,会造成大量冗余。针对这一问题,本文根据检测任务中不同尺度特征层的特性分析结果,提出了一种基于特征融合和定位筛选的弱监督目标检测模型。该模型通过融合浅层平移可变性特征与深层上下文信息以调节融合层的特征分布,增强其对多尺度目标位置、细节的敏感度。此外,针对候选框冗余问题,提出了一种新的候选框筛选方案。该方案借助融合热力图生成代替真实标注的伪标签,利用定位方法有效缩小了预选区域提取的范围。同时,通过计算所有候选框与伪标签的交叠率、像素响应率两方面的加权结果对候选区域进行评估,筛选出Io U较高且包裹目标更为紧密的候选框。本文模型在经典检测数据集PASCAL VOC上进行测试,从检测精度、定位精度两方面分别验证其有效性。实验结果表明,本文模型在单类别精度、总体精度上均有一定程度的提升,且提高了对小尺度目标的检测精度。本文结合弱监督学习中类激活映射和多示例学习两种重要方法进行模型的设计优化,提出了新的弱监督目标定位模型和检测模型。所有模型在训练时仅依赖于图像级标签进行监督,不需要提供强监督的边框级信息。实验结果表明,本文模型具有良好的检测、定位效果,对弱监督方式下的相关任务具有一定指导意义。