随着目标检测领域的不断发展,人们逐渐发现,标注成本问题成为了限制其发展的重要因素之一。如何使用简单标注的数据集训练出高精度模型成为了亟需解决的问题,针对此问题,研究者们提出了弱监督目标检测算法。虽然人们逐渐攻克了弱监督检测中遇到的一些挑战,但困扰着该领域的两大问题依然未被完全解决。第一个问题是多尺度检测问题。现有的检测方法更倾向于定位和识别尺度变化不大的目标,很难同时检测出较大和较小的目标。多尺度问题最早出现于全监督检测领域,但在弱监督检测中尤为明显。第二个问题是目标检测不准确问题,顾名思义,弱监督检测算法倾向于定位目标的局部,很难检测出完整的目标。为了解决这两个问题,本文从几方面进行了深入的研究,相关研究工作如下:（1）为了解决多尺度问题,本文从全监督检测领域入手,提出了基于环状金字塔式特征融合的改进Faster R-CNN模型。本文首先通过实验分析,得知特征金字塔网络（Feature Pyramid Networks,FPN）的劣势在于其特征融合方式。针对其缺点,本文提出了融合自适应提取（Fusion-Adaptation-Extraction,FAE）模块,将各层特征信息补充到某个特征层上,使得该特征层具有更强的表征能力。为了进一步融合所有特征,本文又提出了一种递归式多尺度特征融合方法,通过递归的方式融合各层特征。本文将所提框架与Faster R-CNN结合,得到了基于环状金字塔式特征融合的改进Faster R-CNN模型。实验结果表明,该模型取得了超越主流方法的性能,在PASCAL VOC 2007和MS COCO数据集上,m AP达到了82.0%和43.3%。（2）为了解决目标检测不准确问题,本文提出了基于边框分级筛选的弱监督目标检测算法。该算法通过对一阶段弱监督检测方法生成的候选边界框进行质量评估,达到了筛选候选框的目的。同时,该算法还将这些候选框连同它们的置信度一同制作成伪标签,并通过一个设计好的类全监督方法训练这些伪标签,得到效果提升后的模型。实验结果表明,该算法在MS COCO和PASCAL VOC数据集上达到了超越主流方法的性能。（3）在第一二部分工作的基础上,综合考虑多尺度检测和目标框检测不准两方面问题,本文提出了基于特征融合的轻量级弱监督目标检测算法。该算法通过将弱监督检测算法第二阶段模型替换为基于特征融合的YOLO模型,既解决了多尺度检测问题和目标检测不准问题,又达到了提升检测速度的目的。同时,算法还将关键位置的NMS操作替换为不同的NMS变体,进一步提升了检测精度。实验结果表明,在MS COCO数据集上,本文所提算法在性能与速度上明显优于主流的弱监督目标检测方法。