弱监督物体定位是视觉定位中的一类特殊问题，这类任务往往只提供图片的类别标签作为监督信息，区别于强监督定位，后者同时提供图片标签和物体边界框作为监督信息。因此，在监督信息更少的情况下，弱监督物体定位的难度远高于强监督物体定位。然而，更少的监督信息意味着对人工标注数据集的依赖更弱，因而弱监督物体定位可以节省数据标注所花费的大量人力与金钱，并提升弱监督定位算法和模型对于更多数据集的适用性。因此，弱监督物体定位成为近年来的研究热点之一，吸引了学界广泛的注意力。为此，本文提出了一种基于深度强化学习、通过裁剪物体背景的弱监督物体定位方法，并提出了一种新颖的修正方法来进一步提升模型的定位性能，在常用的物体定位数据集上取得了良好的效果。本文的主要创新点包括：
    提出了一种通过裁剪物体背景实现物体定位的方法，将物体背景裁剪过程建模成马尔科夫决策序列，并采用深度强化学习算法寻求最优解，该方法更加符合人类视觉机制，且定位效率较高。
    提出了一种基于卷积特征图重组的弱监督定位修正方法，该方法通过重组图片所提取的特征图，利用特征图中的空间位置信息，校正深度强化学习框架的定位结果，进一步提升了整体框架的定位性能。
    提出了一种可移植性较强的定位框架，易于将其嵌入到已有的卷积分类网络中，同时实现分类和定位任务。

最后本文总结了以上提出的方法中的关键问题和应对策略，以及未来亟待探索的研究方向。