显著性目标检测旨在模拟人的视觉系统来突出图像中最重要的目标区域。作为一个预处理步骤,显著性目标检测有效地辅助数字图像的处理,在很多实际应用中都有重要作用。近年来,在深层卷积神经网络取得显著成功的推动下,基于深层卷积神经网络的显著性检测算法取得了大量有价值的成果,然而显著性目标检测依旧是一个值得深入研究的问题。一方面,现有算法大都利用聚合的多尺度特征提高模型的性能,如何提取有效的特征并获得显著目标的清晰边界仍然是当前显著性检测任务要解决的核心问题。另一方面,基于深层卷积神经网络的显著性检测算法通常需要大量的像素级别标注数据监督训练,但像素级别的真值标注耗费大量时间成本,如何采用更高级别的图像线索监督训练深层卷积神经网络受到了研究者们的广泛关注,如何利用弱监督线索准确地检测出图像中的显著性区域依旧是一个充满挑战的问题。针对第一个问题,本文提出一种基于预测-优化结构的显著性检测算法,利用像素级别标注对显著图进行监督。该模型由显著性预测网络和显著性优化网络组成。显著性预测网络综合低层结构特征和高层上下文信息进行显著度估计,当高层次特征定位显著区域时,低层次特征捕获细节信息以正确预测显著像素;显著性优化网络为编码-解码结构,通过学习显著性预测结果和标注真值之间的残差来优化显著图,预测-优化结构逐步地生成具有高质量边界的显著性检测结果。针对第二个问题,本文提出一个两阶段学习框架,从多种弱监督标注学习、提取图像中的显著性目标。在第一阶段,本文利用分类网络和文字生成网络,分别完成目标类别预测任务和文字说明生成任务,同时突出潜在的显著区域。在第二阶段,建立两个互补的训练数据集,即带有噪声标签的自然图像数据集和合成的网络图像数据集,两个数据集的图像均利用分类网络和文字生成网络生成真值标注。自然图像数据集使显著性预测网络适应自然图像的输入,网络图像数据集为显著性预测网络提供准确的真值监督。本文提出的全监督显著性检测算法和弱监督显著性检测算法均在多个公开的显著性检测数据集进行了测试和评估,并与多种最新的显著性检测算法定量和定性地比较。结果证明了本文算法的优越性。