随着深度学习模型的不断推陈出新以及并行计算能力的不断提升,基于深度神经网络的图像语义分割方法取得了巨大的进步,分割性能得到了极大的提升。然而,这些方法都需要大量有标注的像素级别图像分割标签,耗费大量的人力资源来进行这样逐个像素标签的标注工作。因此,设计良好的弱监督语义分割方法,使用边界框标签或者图像类别标签,是缓解这个问题非常重要的手段。近年来,针对弱监督标签的如边界框标签设计的语义分割方法,往往都采用了一些人为设定的方法如MCG或者Dense CRF方法生成伪标签,然后用这些伪标签来训练语义分割网络。然而,这些方法并没有专门针对这些弱标签生成足够准确的伪标签,也往往无法迭代式地结合分割网络逐步提升分割性能。因此,弱监督语义分割仍然有很大进步空间。在本文中,我们针对弱监督语义分割任务提出一种可迭代学习的伪标签生成框架,提出了基于EM算法的两层优化训练架构,其中上层优化函数用来优化伪标签生成网络,底层优化函数用来优化语义分割网络。我们使用一部分有像素级别标签的辅助数据集来迭代训练一组类别无关的伪标签生成网络,目的是为了将语义分割网络经过弱标签学到的粗糙分割预测结果映射到一个较为准确的物体轮廓伪标签,然后再使用这个伪标签重新训练分割网路,进一步提升其分割性能。一旦伪标签生成网络训练完成,伪标签生成网络即可应用在新的只有边界框或者图像类别标签的数据集上,迭代的为语义分割网络提供更好的伪标签,从而提供分割性能的增强。本文针对基于边界框标签和基于图像类别弱标签的语义分割任务,都提出了对应的可迭代学习的伪标签生成网络结构,进行了实验验证。在边界框弱监督语义分割任务中,相比于传统方法利用人为设计的算法而生成的伪标签,我们的伪标签生成网络能够给出更加准确的伪标签,训练的语义分割网络性能也能够超过主流对比方法。而在图像类别弱标签的语义分割任务中,我们修改了伪标签生成网络的输入结构,使得其能够很多的嵌入到目前基于图像类别标签学习的语义分割网络方法中,进一步提升其性能,也超过了目前最好的一些方法。