显著性检测是旨在识别图像中最明显的物体或区域,并将其准确、完整分割出来的一类图像处理任务。由于显著性检测能帮助人类或计算机能够从图像中快速获取最感兴趣或价值最大的信息,因此常作为预处理步骤,被广泛使用于诸如目标跟踪、图像检索等视觉应用领域中。近年来随着深度学习的发展,基于卷积神经网络的显著性检测算法也取得了巨大的进步。然而卷积神经网络通常存在低级特征包含细节较多但语义不强、高级特征所含语义信息较强但分辨率过低的缺点,这也进一步导致了当单独利用网络中的某一级特征时难以获得准确显著图的问题。因此能否有效利用多级特征成为影响检测结果的关键因素之一。为此本文从利用多级特征的角度出发,首先提出了一个以编码器-解码器结构为基础的分步聚合网络。该网络在分步聚合模块的帮助下,依据信息的类别选择不同的融合方式,逐步从多级特征图与前阶段生成的临时显著图的中萃取出更优质的信息以帮助检测。通过消融实验,本文分析了多级特征、临时显著图对显著性检测结果的影响,并验证了当需要融合多类信息时,采分步聚合的手段是较为有效的。除此之外,本文还结合了低级特征的优点,设计了一个三角聚合网络以实现对底层信息的保留。该网络采用了全新的串并联相结合的结构,在利用串联网络完成特征提取的基础上,通过建立多条并联支路保留低级信息,实现了显著性检测性能的提升。随后,本文在5个广泛使用的数据集上对该网络进行了测试,实验结果表明三角聚合网络的检测能力达到了较优的水平。