弱监督学习因其在需要图像内标注的任务（如目标检测与语义分割）中显著降低标注成本，近年来受到越来越多研究关注。现有弱监督目标检测与语义分割方法通常采用迭代式标签挖掘与模型训练的流程。然而，这种自我强化的训练机制容易使两类任务陷入局部最优解。本文首次提出将弱监督目标检测与语义分割任务通过多任务学习框架进行联合建模，利用两者各自在学习过程中的失败模式相互补充，实现跨任务的协同增强，从而帮助两类任务有效跳出各自的局部最优。为此，我们提出一种高效且有效的框架——弱监督联合检测与分割（Weakly Supervised Joint Detection and Segmentation, WS-JDS）。该框架包含两个并行分支，分别对应目标检测与语义分割任务，共享同一骨干网络。在训练阶段，WS-JDS采用统一的循环训练范式，并引入特定设计的损失函数，使两个分支在训练过程中相互促进、协同优化。在广泛使用的Pascal VOC与COCO基准数据集上进行了大量实验，结果表明，所提出的模型在性能上达到了与当前最先进方法相媲美的水平。