图像分割是计算机视觉研究领域的关键性任务之一,也是图像识别、分析、理解的基础。近年来,特别是在深度学习的提出以后,研究者提出了多种有效的图像分割方案,在存在大量高精度像素级图像标签下能够保证较优的分割性能。但该类标签的获得需要高昂的人力成本,因此实际中常常存在精细标签缺失的图像分割任务。为此,研究者转向弱监督图像分割,利用弱标签直接实现对象区域的分割。由于弱标签易于获取且标注成本低廉,弱监督图像分割方法的研究和应用领域更广。然而,弱标签或图像级标签所提供的信息比较粗略,面临着如何在粗糙标签下实现像素级分割的挑战。图像协同分割方法是弱监督图像分割的核心内容,它旨在利用图像级标签和图像间的共性信息分割图像。虽然人工设计特征和深度卷积特征被应用于图像协同分割,然而分割性能依旧不足,原因是图像级标签所提供的先验信息比较粗糙,难以准确定位出共同的对象区域。为此,本文引入少量像素级标签,在增加少量人工标注负担的前提下,显著地弥补了弱标签信息不足的缺陷。同时利用卷积神经网络构建了更加鲁棒的图像协同分割模型。具体研究内容如下:1.针对现有的仅考虑图像级标签所面临的对象先验不足问题,本文提出基于少量指导的两分支图像协同分割网络。该网络不仅引入少量像素级标签提供准确的先验信息,而且构建相似性损失函数来联合两个分支分割出图像的共性区域。2.针对上述工作仅利用单对图像间提供的有限共性信息做指导的问题,本文提出基于多对协同和少量指导的三分支图像协同分割网络。该网络其中两个分支引入少量像素级标签指导另一个分支分割图像。两两分支构成三个协同分割对不仅能充分利用有限的像素级先验,而且通过多个相似性损失和交叉熵损失的联合训练能提高网络的学习率和分割性能。3.针对目前图像协同分割局限于分割特定类别图像的问题,本文提出基于反向指导和注意力模块的小样本协同分割网络,利用图像协同分割思想构建反向网络,并提出注意力模块关注共性区域,使得分割模型能够在充分训练后仅利用一张像素级标签的指导将分割模型泛化到新的类别。本文在iCoseg、MSRC和PASCAL VOC 2012三个数据集上进行了验证,其优异的性能证明了本文算法的有效性。