显著性物体检测是计算机视觉领域中极具挑战的研究课题之一。其目的是从图像中检测出最能够吸引人类视觉注意的物体区域,从而提高计算机处理图像的效率。尽管目前该领域已取得一些研究成果,然而显著性物体检测模型的准确率、速度、规模以及内存占用等方面存在的问题,使其在特殊场景或资源有限的设备上应用受到限制。本文以显著性物体检测为研究对象,从模型结构优化和模型规模优化两个方面展开研究,构建了满足不同需求的显著性物体检测模型。论文主要工作如下:针对基于神经网络的显著性物体检测模型中信息传播方向单一导致模型准确率低的问题,提出了一种基于特征传播的显著性物体检测方法。经典神经网络模型结构中信息传播的方向是从底层逐渐传播到顶层,容易出现信息丢失、信息共享不足和分辨率降低的现象,这严重影响了模型的准确率。本文通过对单向特征传播的显著性物体检测方法分析,提出基于特征传播优化的显著性物体检测模型,该模型由前向连接子网和反向连接子网组成,采用模块内跳连接、模块间跳连接、自适应学习融合策略和反转有效区域跳连接操作。实验结果表明,该方法增强了网络层间信息的流通,有效地提高了显著性物体检测的精度。针对基于神经网络的显著性物体检测模型参数空间大导致计算复杂度高、检测速度慢的问题,提出了一种基于模型融合的显著性物体检测方法。基于神经网络的模型具有检测准确率高但是需要大量计算资源、运行效率低的特点,而基于非神经网络的模型尽管能够克服这些缺点但检测准确率较低。本文通过对单模型的显著性物体检测方法分析,提出基于双模型融合的显著性物体检测模型,该模型由预处理模块、区域流模块、像素流模块、融合和后处理模块组成,改进了基于能量方程的流形排序算法,简化了基于特征传播优化的神经网络,使得基于非神经网络的模型和基于神经网络的模型融合达到优势互补的效果。实验结果表明,该方法在较小精度变化范围内,有效地提高了显著性物体检测的速度。针对基于神经网络的显著性物体检测模型规模大和微小显著性物体检测准确率低的问题,提出了一种基于模型剪枝的微小显著性物体检测方法。在实际运行环境中,受到采集设备位置、物体运动方向、拍摄条件等客观因素限制,采集到的部分图像中显著性物体较小。然而现有大规模的神经网络模型受到较大的背景对检测微小显著性物体的干扰,导致检测的准确率较低。本文通过对微小显著性物体检测问题进行理论分析,定义突出能级（Salient Energy Level,SEL）用于评估神经网络模型参数区分背景特征和微小显著性物体特征的能力;借助模型剪枝技术移除突出能级较低的模型参数,提出基于突出能级的微小显著性物体检测模型。实验结果表明,该方法有效地提高了微小显著性物体检测精度、降低了神经网络模型的规模。针对基于神经网络的显著性物体检测模型规模大和多显著性物体检测准确率低的问题,提出了一种基于模型剪枝的多显著性物体检测方法。当检测图像中存在多个显著性物体时,识别最显著的物体能够有效提升模型检测效率。然而已有方法无法区分多显著性物体之间的差异,导致检测的准确率较低。本文通过对多显著性物体检测问题进行理论分析,定义显著性优先级（Salient Priority Criterion,SPC）用于评估神经网络模型参数区分多显著性物体特征差异的能力;借助模型剪枝技术保留显著性优先级较高的模型参数,提出基于显著性优先级的多显著性物体检测模型。实验结果表明,该方法有效地提高了多显著性物体检测精度、降低了神经网络模型的规模。