在计算机视觉领域,显著性检测已成为研究者们重点研究领域之一。图像显著性检测目的是在复杂的场景中,通过计算机模拟人类视觉注意力机制,剔除图像中的冗余信息,提高计算机自主、智能理解复杂场景的能力,既能应用于现实生活场景又能助力于其他的计算机视觉任务。随着深度学习技术的不断发展,在图像显著性检测中引入深度学习有助于提高模型的鲁棒性。因此,本文主要研究基于深度学习的图像显著性检测及应用。研究工作如下:在进行图像显著性检测时,一直存在显著目标对象模糊且边缘细节信息不完整的问题。为了解决这一问题,本文设计了一种融合局部和全局信息的图像显著性检测模型。首先,采用空洞卷积结合多级融合策略提取上下文特征信息;其次,设计了一种分层感知注意力机制模块,通过给深浅层中每一个通道分配不同的权重来提取出有用的通道特征信息以获取不同通道特征信息之间的相关性;最后,利用交叉熵损失函数进一步优化特征图细节信息得到显著图,使模型的准确性得以提升。实验结果表明,该模型在ECSSD数据集上F-measure达到了0.907,MAE达到了0.049。针对显著性区域突出不均匀和边缘不清晰导致显著性检测准确性差等问题,本文设计了一种通道-空间联合注意力机制的显著性检测模型。首先,改进了一种通道注意力机制,将特征图中的像素概率值逐像素相加以更好的获取通道中层间信息的关联性;其次,在通道注意力机制的基础上并行融入了空间注意力机制,对特征图的空间信息进行加权获得目标突出的显著性区域;最后,将通道注意力机制与空间注意力机制输出的两个特征图加权融合反馈至通道-空间联合注意力机制,从而得到细节更多的显著图。实验结果表明,该模型在DUTSTE和SOD数据集上,使用F-measure和MAE作为评估标准均优于其他同类模型。由于显著性检测具有广阔的应用前景,且应用是进行显著性检测的最终目的,本文将提出通道-空间联合注意力机制的显著性检测模型应用于图像背景虚化技术中,并进行了实验研究及分析。实验研究表明,该模型结合高斯模糊算法应用在背景虚化技术上呈现较好的背景虚化效果。