显著性目标检测旨在从输入图像中分割出视觉上最为明显的区域,而这部分区域有着图片中最为丰富的有效信息。因此,通过使用显著性目标检测技术,大部分计算机视觉任务可以只关注显著区域,从而获得更为高效的性能。随着深度学习技术的不断发展,显著性目标检测技术的性能也提升到一个新的水平,并广泛应用于计算机视觉的多个领域,如视觉跟踪、图像分割、图像质量评估、图像检索、人物重识别等。在基于卷积神经网络的SOD（salient object detection）模型中,不同层次的特征可以表征显著对象的不同特性。具体来说,低层语义特征有着显著对象的详细信息,但包含大量噪声,而高级语义特征可帮助网络定位显著对象的位置,但缺乏有关对象的详细信息。为了有效的利用不同层次特征的特性,本文引入多尺度、深度监督、注意力机制和分组卷积等策略,来增强网络检测性能。具体研究工作如下:1)针对现有的显著性目标检测方法在检测不同尺度的多个显著性目标方面的不足,提出了一种多尺度特征深度复用的显著性目标检测算法。该算法首先通过双向密集特征聚合模块从Res Net骨干网络获取具有丰富信息的不同层次的多尺度表征特征,来缓解显著性目标轮廓不完整,缺失等情况。然后利用多分辨率语义互补模块,对两个相邻层次的多尺度特征进行融合,以消除不同层次上特征之间的相互串扰,来增强预测结果的一致性。2)针对现有的显著性目标检测方法在检测对象边界模糊、检测不完整等方面的问题,提出了一种基于深度监督的显著性目标检测算法。该算法引入深度监督的思想,对不同层次的特征进行监督,使得不同层次上的输出特征都更接近真值图,并通过实验对比,验证其效果比仅在最终输出层进行监督更好。同时,在骨干网络上进行初步特征提取阶段,引入分组卷积,它能够在有效的减少网络参数的同时获得不亚于普通卷积的特征提取效果。最后,提出了一种混合注意力机制,通过结合通道注意力和空间注意力,来对多尺度特征进行两个维度上的强化,引导网络更加关注重要的特征,并减少对不必要的特征的关注。本文在5个常用的数据集上与其它先进的显著性目标检测算法进行了比较。实现结果表明,本文的算法检测性能更好。此外,本文增加了一系列模块的消融实验,来证明文中所提出的网络结构中组成部分的有效性。