据2019互联网趋势报告显示,图像数量持续海量增加。面对海量的图像数据,如何快速准确提取有价值信息成为计算机视觉领域亟待解决的关键问题。显著性检测技术模拟人类视觉系统从图像中分割出感兴趣的目标或区域,进而为其他计算机视觉任务提供服务。自1998年,显著性检测领域发展了很多优秀的基于启发式规则的算法,近几年全卷积网络又将显著性检测推向一个新的高度。本文针对复杂场景的显著性区域检测进行研究,提出两种基于全卷积网络的显著性检测算法。主要研究内容如下:提出基于多尺度级联的注意力机制显著性检测模型。本文以全卷积网络为基本框架,同时借鉴循环神经网络思想,提出多尺度级联网络模型。该网络将上一时间步的输出送入到网络中继续参与训练,不断优化输出特征图。同时,针对全卷积神经网络无差别对待各特征通道和特征空间位置,提出基于前景背景的通道权重和基于显著性预测特征图的空间权重注意力机制。多尺度级联网络模型可以产生多个尺度的中间显著性预测特征图,利用这些预测特征图将浅层特征分成前景特征图和背景特征图,综合前景背景特征分布计算特征的通道权重。利用预测特征图计算特征图的空间位置权重使网络更关注显著性相关区域,抑制背景区域对显著性区域的干扰。在显著性检测领域六大基准数据集上同其它9种算法从定性、定量两方面进行对比分析,证明了基于多尺度级联的注意力机制显著性检测模型的优越性。早期,传统显著性检测算法依赖启发式规则捕获上下文信息,而基于深度学习的显著性检测算法依赖强大的学习能力捕获场景语义信息。为了同时捕获上下文信息和语义信息,提出基于启发式规则的全卷积神经网络。该网络结构分为多尺度级联网络流和启发式规则先验流。启发式规则先验流首先采用简单线性迭代聚类算法进行超像素分割,之后以超像素为基本单元计算颜色对比和颜色分布先验显著性特征图。先验显著性特征图采用动态通道加权的方式融入多尺度级联网络流多个尺度中。多尺度级联网络流借鉴全卷积神经网络和循环网络思想,在特征图逐级上采样的过程中进行监督学习,同时将上一尺度的预测显著性特征图迭代到下一尺度中,最终得到和输入图像尺度相同的预测显著性特征图。为了进一步优化显著性目标检测效果,本文将条件随机场直接融合到网络流中,实现检测、优化一体化。通过与其他算法进行实验对比分析,证明了基于启发式规则的全卷积网络在各个场景中具有更好的检测性能。