显著性目标检测已经在自然场景图像（NSI-SOD）中取得了长足的进步;相比之下,光学遥感影像（RSI-SOD）显著性目标检测是具有挑战性的新兴话题。光学遥感图像独特的光学特性,例如尺度、照明和成像方向,带来NSI-SOD和RSI-SOD之间的显著差异。光学遥感图像的显著性目标检测算法能够检测出图像中最显著的目标,逐渐成为显著性目标检测领域研究热点,但是仍然存在模型复杂、特征提取不足、检测精度不准确和边缘模糊等问题。为解决以上问题,本文设计并研究了基于Transformer的多尺度深度特征融合和边缘引导的光学遥感图像显著性目标检测算法,具体研究内容如下:（1）针对目前光学遥感图像显著性检测算法对光学遥感图像的特征提取不足和边缘模糊的问题,提出了一种基于高效Transformer的多尺度遥感图像显著性检测算法。首先,本文构建的多尺度特征提取模块用于获取原始光学遥感图像不同尺度的上下文信息。然后,设计的多尺度特征融合模块,实现了从三个不同的方面融合多尺度特征提取模块的不同输出。接着,通过解码模块和精细化模块进一步丰富各级特征。最后,构造组合边缘损失函数辅助指导网络学习更清晰的显著目标边缘细节。在2个公开的基准数据集上的评估表明,该算法的性能优于目前光学遥感图像显著性目标检测领域最好的方法。（2）针对目前光学遥感图像的显著性目标检测算法边缘模糊和检测准确度问题,提出了一种基于Transformer与边界引导的遥感图像显著性检测网络。以一种基于Transformer的高效主干网络ResT-Large提取光学遥感图像各级特征。提取的各级特征使用多尺度感受野模块捕获其全局表达并通过边界特征提取模块得到具有边界信息的特征。其次,从浅层与深层两方面出发,分别融合浅层与深层信息并采用精细化模块得到显著性结果图。最后,在2个公开基准数据集上进行大量实验,结果表明,不论是主观还是客观方面,本文中所提方法明显优于其他25种对比方法。