显著性目标检测通过智能算法模拟人类视觉注意机制,建立一个完整的检测模型来提取图像中的显著区域或目标。近年来,显著性目标检测成为计算机视觉及其相关领域越来越关键的环节。它可以作为目标跟踪、图像压缩等视觉任务的预处理步骤。一种理想的显著性检测模型在实际应用中应保证高精度的同时具有更高的计算效率。本文设计一个能够学习有效特征的网络模型,在保持特征处理精度的情况下提高网络模型的计算效率。主要的研究工作如下:首先,对于检测效率问题,本文在应用于图像分割的Efficient Residual Factorized ConvNet(ERFNet)基础上进行修改,得到了高效的显著性目标检测模型。首先,在网络中使用了残差分解结构,通过将二维卷积核分解为一维卷积核的组合来减少参数,以达到在保持原有精度的基础上,提升网络检测效率的目的。其次,对模型中使用的编码器解码器结构进行改进,加深网络层次,进一步保证模型的检测精度。最后,对网络进行训练并且在标准数据集上对模型进行验证,实验证明模型的有效性。其次,对于检测效率和检测精度之间的平衡问题,本文提出了基于Balance of speed and accuracy network(BSANet)的显著性目标检测模型。首先,针对模型检测效率问题,继续沿用ERFNet中的卷积核分解结构。然后,根据显著性目标检测的特性,设计特有的跨层连接结构,来充分利用上下文信息。同时,通过多尺度融合操作,将网络在不同尺度下学习到的特征进行融合,以达到显著性目标检测要求的浅层信息和深层信息相结合的目的。最后,通过对网络进行训练实验,验证BSANet模型的有效性。最后,为了客观的评价本文中显著性目标检测模型,在不同的评价指标下与其它九个先进的模型进行对比评价。