视频显著物体检测旨在利用计算机快速有效地从视频中获取感兴趣区域,有助于后续的目标提取或者定位等处理,在目标追踪、视频监控等领域中广泛应用。视频显著性检测由于摄像机抖动、光线变化和多目标的运动等因素,容易产生物体形变和模糊,并形成无意义背景干扰,造成多显著性目标视频的检测不全和目标边缘不清晰的问题,这在视频显著性检测领域是一个具有挑战性的问题。针对视频显著目标检测不全和边缘不清晰问题,本文提出基于边缘检测和自学习注意力模块的视频显著物体检测模型（Salient Object Edge Detection,SOED）,在深度学习模型中嵌入边缘检测模块和自学习注意力模块,用于解决复杂场景中的显著性物体边缘不清晰和显著目标检测不完全问题。本文主要的工作和创新点如下:本文提出了基于自学习注意力的多尺度融合视频显著性物体检测方法,用于解决显著目标的边缘不清晰问题。通过对不同尺度的特征根据自学习注意力机制进行权值的分配,从而获取体现时空信息的特征。首先,利用残差神经网络来获取初始特征尺度的空间特征信息,其次通过四个不同扩张率的扩张卷积结合自学习权重矩阵来获取不同尺度的空间特征信息,之后将这五个特征尺度的特征图进行串联,随后输入到卷积长短期记忆网络（Convolutional LSTM Network,Conv LSTM）中去提取时间信息并融合为最终时空显著图。为了有效解决自学习注意力模块的多尺度融合方法不能完全检测出所有的显著性目标问题,提出了结合自注意力和边缘网络的视频显著性检测网络。在基于自学习注意力的多尺度融合的基础上将输出的特征输入到两个分支中,一个分支用于提取时空信息,另一分支输入到边缘检测模块（Deep Salient Edge Detection,DSED）中去获取视频帧中显著性物体的轮廓边缘信息,最终两个分支用边缘信息去指导最终显著图的生成。本文在DAVIS、Vi Sal和DAVSOD数据集上进行了消融实验,评估了DSED模块的性能。并且与主流算法在六个公开的数据集（以上的三个再加上FBMS、DAVIS和Segtrackv2）进行了对比实验,用来验证本模型在多显著性目标的视频场景下能准确的检测出多个显著性目标和清晰的边缘。实验结果表明,本模型与主流模型相比均具有一定的有效性和竞争力。