图像显著性检测就是将图像中最重要区域分割出来。解决图像显著性检测问题通常涉及计算机视觉、神经科学,认知心理学等领域的知识。近年来,随着深度学习在计算机视觉领域取得了巨大的成就,深度学习的应用在图像显著性检测课题中也发挥了良好的效果,因此基于深度卷积神经网络的算法已成为解决图像显著性检测的最有效的方法。但就目前的基于深度卷积神经网络的显著性算法而言,其大多采用非常复杂的深度卷积网络模型在做检测,这样将依赖高昂的计算设备才能完成算法的实现,使得这些算法无法被应用到计算能力较小的移动设备上也无法有效地做完成其他高级视觉问题的预处理过程。对于研究人员来说,提高基于神经网络的显著性检测算法的计算效率一般从两个角度出发,一是裁剪网络结构,同时结合传统特征提取方法进行处理。另一种则是采用一种更轻量化的网络来解决显著性检测问题。根据这两点思路,本文分别提出两种高效且不失精度的基于神经网络的显著性检测算法。首先是本文提出的融合低维特征提取层的深度卷积显著性检测算法,在该方法中本文提出了一个低维特征提取层,来将输入图像预先进行特征提取并将其映射到校直的特征图以作为全卷积网络的输入。其目的是对数据进行降维来减少计算量。接着,本网络又加入全卷积网络进行端到端学习显著图,以增强其低维特征的学习能力。然后,本文还在训练过程中采用三个损失函数来保证算法稳定收敛和增强算法的输出效果。其次,由于宽度神经网络结合提升学习可以在分类和回归问题上取得出色的表现,而该方法在模型训练中消耗的时间更少,计算效率也很高。基于上述观察,本文尝试利用宽度神经网络的优势并结合提升学习以实现一种显著性检测的算法模型。在本算法中,本模型的训练并非使用整个图像作为输入,而是将图像中手工提取区域特征描述子来作为输入让网络模型学习该特征,然后根据每一个区域特征为其预测显著性值。此外,本算法还在显著图上构造一个带参学习条件随机场以精炼预测结果,已得到更精确的效果。最后,对于本文提出的每一个算法都进行了丰富的实验来验证算法的有效性。将本文的显著性检测算法与目前八种有代表性的显著性算法在四个公开数据集上进行测试和PR曲线、"-measure、MAE、运行时间和视觉效果的比较,实验表明,本算法具有较好的检测准确度和较快的运行速度。