图像显著目标检测作为计算机视觉领域的重要研究分支,其目的是关注人眼最感兴趣的目标区域,对主体目标进行智能理解与计算,从而实现对图像的快速分析并作为后续处理的重要先验。显著目标检测在理论研究上一般作为图像预处理技术,而在实际应用中可以为视觉交互设计提供依据,近年来得到了广泛的关注和深入的研究。现有的显著目标检测研究大多是基于深度学习的全监督算法,其依赖真值标注的样本和深度神经网络的表征学习能力来构建检测模型,具有良好的实验性能。而真值样本需要耗费大量的时间精力进行标注,且在实际场景中泛化性相对较差,因此采用相应弱监督标签(前景目标类别、文本描述或边界框等)来训练深度网络也是重要的探索分支。本文主要对弱监督显著目标检测算法进行研究,给出两种通过边界框标签进行监督的深度学习网络模型。其中第一个模型基于邻域相似度计算,综合运用了相似度判定网络,用于捕捉局部邻域像素之间显著性的相似程度,从而对目标边缘像素有着更好的显著性划分。首先通过对边界框的预处理生成相似度网络的训练标签,采用相似度权值计算损失函数来进行监督,然后以训练生成的相似度矩阵对预处理结果进行随机游走而得到显著图伪标签。最后利用准确性较高的伪标签训练新的显著目标检测网络。第二个模型基于多任务迭代优化,该模型采用多任务学习机制,利用边缘检测任务来辅助显著目标检测,通过分阶段的网络训练策略来优化主网络的部分参数。本算法分别训练两个网络分支然后进行融合处理,并选取了基于图像位置信息与色彩的联合损失函数,通过多个损失函数来实现端到端的训练。最后采用迭代优化机制,将本次预测的显著图进行筛选,从而生成用于后续训练的监督样本。上述两种算法均在多个标准数据集上进行测试,并与领域内先进算法进行了实验对比,取得了较为满意的结果,从而证实了本文算法的有效性。