计算机视觉领域的一个重要分支是目标检测,在以智能监控和无人驾驶为代表的人工智能新兴应用领域中,对目标检测任务的要求是实现现实图像中各类物体的边界提取、分类以及识别等。随着卷积神经网络的快速发展,基于深度学习的目标检测研究成为一种实现检测高精度和高准确率的重要手段。目前常见的目标检测算法通常需要像素级的标注信息来训练网络模型,但像素级标注信息的获取是劳动密集型的且容易受条件的限制使目标特征淹没在噪声中,不具有普适性。因此,弱监督学习下的目标检测算法逐渐受到研究者的青睐。通过对弱监督学习下的目标检测算法进行研究,发现现有的弱监督检测算法其检测准确率与全监督算法相比差距较大,且检测速率低下不能完成实时检测任务。针对以上问题,本文主要工作如下:（1）对像素梯度图与弱监督目标检测相结合模型进行研究。因为弱监督学习下的目标检测模型在训练过程中缺少位置信息的标注,导致模型检测准确率较低。本文首先利用图像对各个类别的响应不同,生成图像对于各个类别的像素梯度图,获得目标在图像中的大致位置。其次,设计一种相似性迭代挖掘方法,获得更完整的位置信息。最后,利用获得的位置信息生成边界框,将边界框作为伪标注传入全监督网络模型,指导模型的训练和测试。解决训练过程中位置信息的标注缺失问题,提高了弱监督学习下目标检测的准确度和检测速率。（2）对基于像素梯度图的弱监督目标检测模型进行定位优化研究。因为传入全监督网络的边界框不能与人工标注的边界框完全重合,导致模型的检测结果往往只包含部分,不能获得完整的检测信息。本文引入Io U-Net进一步优化模型的定位,首先学习预测的Io U网络。随后利用Io U-Net指导生成NMS,优化边界框生成。最后使用精细池化层代替全监督网络中的池化层,进行联合训练,优化定位性能。解决训练过程中检测边界框不准确问题,避免精确的边界框被抑制。与不使用定位优化的算法相比,提高了弱监督学习下目标检测的准确度但是网络模型的增加使检测速率有所下降。