显著性目标检测是计算机视觉领域的研究内容之一,是通过计算机模拟人眼关注场景中最具吸引力的区域作为局部显著区域,也称显著性检测。显著性检测作为图像的预处理技术,在视觉追踪、目标识别、图像分割等多个场景中有着广泛的应用。目前较好的算法主要是以神经网络为核心所搭建的网络模型,较传统方法而言,性能得到了很大的提升。但是,多尺度特征有效融合以及高级语义信息丢失的问题,仍然是该领域的一大挑战。另外,许多算法为了提高检测精度而忽略了整体模型的运算量,使得算法在应用上受到极大地限制,因此如何平衡算法性能和运算量,也是值得关注的问题。针对以上描述的问题,本文进行了相关的探索,主要的研究工作如下:针对如何提取多尺度特征并有效融合的问题,本文提出了多尺度平衡注意力交互显著性检测算法。本算法对不同深度的特征采用两种处理机制。对于高级特征提取,本文提出了平衡注意力模型,在计算样本内特征之间亲和力的基础上,让样本之间再产生相互的影响,以二者共同作用来捕获高级特征。对于其他层次的特征提取,本文提出一种交互式残差网络模型,通过使用两种分辨率的信息相互进行两次交叉运算来自适应提取不同尺度特征。为了将所有特征进行有效融合,本文又引入了一种双向传播网络模型,在由深至浅和由浅至深方向上逐级相加,并将输出结果作为最终的预测结果。实验表明,该算法有较好的表现,特别是在DUT-OMROM数据集上,F度量达到了0.763,MAE达到了0.069。针对特征丢失和模型轻量化的问题,本文提出了基于混合注意力的异步级联显著性检测算法。该算法在自注意力模型的基础上做轻量化处理,将分类之前的二维特征做池化处理,减少指数计算量,并结合平衡注意力特性来防止特征丢失,在空间和通道上共同抓捕上下文信息。为了增加浅层特征的表征能力和抑制噪声,本文在双向传播的基础上进行改进,提出了异步级联策略,通过反馈的方式可以巧妙地将不同模型的输出有效融合,并采用多层监督的方式进行预测。实验表明,该算法在标准数据集上可以取得较好的结果,尤其是MAE,在PASCAL-S和HKU-IS数据集上分别达到了0.085和0.039。