非聚焦模糊区域检测是为了检测图像中非聚焦模糊区域和聚焦清晰区域,是一种像素级任务,在自动聚焦、图像恢复等计算机视觉领域有着广泛的应用。近年来,深度卷积神经网络在非聚焦模糊检测任务中展示出了强大的特征提取能力,取得了很大的进展。然而,大多数基于卷积神经网络的方法总是依赖于昂贵的像素级标签。为了降低标签成本,本文提出利用框级标签完成像素级的非聚焦模糊检测任务。框级标签能够提供非聚焦区域大致位置的线索,但是无法对过渡区域进行细致的边界检测。针对这一问题,本文在全卷积网络后引入递归约束网络,通过基于框级监督的静态训练生成像素级结果,再使用像素级结果作为标签对网络进行微调,生成更高质量的新像素级标签,不断迭代进行动态训练。在生成像素级标签的过程中,本文利用引导条件随机场来提高标签质量,并进行标签校正。为了促进对弱监督方法的进一步研究,本文构建并公开了一个名为FocusBox的新数据集,它包含5000幅具有挑战性的图像和边框级别的标签。此外,为了解决基于全监督方法中主要存在的由过渡区域引起的检测结果边界不准确问题和由同质区域引起的检测区域内部有噪声黑洞的问题,本文还研究了非聚焦模糊区域检测和非聚焦模糊边缘检测两个任务的交互性。对区域检测结果进行边缘镂空能够减少边缘不连续问题,优化边缘,对边缘检测结果进行像素填充能够减少黑洞噪声,迭代进行镂空-填充的交互学习能显著提升非聚焦模糊区域的检测结果。在此基础上,本文设计了三种交互结构,搭建了串联式镂空-填充网络、并联式镂空-填充网络和串并联混合式镂空-填充网络这三种网络结构。综上,本文在弱监督领域和全监督领域各提出了一种基于卷积神经网络的算法来完成非聚焦模糊区域检测任务。实验结果表明,本文提出的基于框级弱监督的方法效果可以媲美全监督的效果,并且速度更快,提出的基于全监督的镂空填充交互式学习能显著提升非聚焦模糊区域的检测结果。