显著性目标检测,目的是在算法模型中利用人眼的注意力机制将图像中的较为突出的目标区域检测出来,已经作为预处理步骤广泛应用于图像处理的各个领域,例如图像分割、图像融合、图像裁剪等。现有的基于深度学习的显著性目标检测算法在大多数自然场景下已经取得了很好的检测效果。然而,针对一些复杂场景,例如场景中包含不规则目标,由于上下文特征信息的缺失,现有的显著性检测算法无法实现完整一致地检测显著性目标区域。因而构建检测性能良好的显著性目标检测算法模型仍是目前计算机视觉领域亟待解决的关键性问题。本文在总结和分析显著性检测领域研究现状的基础上,以多级上下文信息提取与融合为角度,设计了一种新的显著性目标检测方法。首先,本文对显著性目标检测领域的研究现状进行了总结,重点介绍了三种相关的显著性检测算法,分别是:基于结构低秩表示和背景驱使的图像显著性目标检测算法、基于短连接和深度监督的显著性目标检测算法、基于多阶段细化模型的显著性目标检测算法。然后,针对现有算法在进行多级别特征提取时仅使用单一固定尺寸卷积核,造成模型无法提取丰富的上下文特征信息进而导致目标检测区域缺失的问题,本文提出了一种基于多级上下文信息提取的显著性目标检测方法。该算法主要包括:(1)利用基础网络提取由浅到深的多级深度特征;(2)构建基于可变形卷积的多尺度上下文特征提取模块,在各级深度特征中提取丰富的上下文特征,保证目标检测的完整性;(3)构建注意力模块,对网络提取的特征进行加权,提高有效的特征的作用,抑制错误的特征通道对检测结果产生影响;(4)构建多级别特征融合机制,得到最终的特征图;(5)构建边界细化模块,完善目标边界,输出最终显著图。最后,本文算法在Ubuntu14.04环境下的Caffe深度学习平台中实现,采用MATLAB语言编写测试程序将本文算法在四个公开的显著性目标检测数据库上进行测试,并与现有13种经典的显著性目标检测算法进行实验比较。实验结果表明,本文算法生成的显著图相对于其他经典算法,能够完整一致地检测显著性目标区域,在PR曲线、F-measure曲线以及MAE值等客观指标的对比中也取得了优良的性能,验证本文算法的有效性。