显著性目标检测是计算机视觉中的一项非常重要的任务,目的在于识别图像中最有辨别力的物体或区域,并从背景中分割出来。近年来,为了节约人力标注成本,弱监督显著性目标检测逐渐蓬勃发展。弱监督方法利用成本低廉的弱标签转化为伪标签参与网络训练,解决了全监督方法标注成本昂贵的问题。然而,由弱标签过渡得到的像素级伪标签相比于真值往往存在大量错误标注的噪声信息,导致现有弱监督显著性目标检测方法难以过滤伪标签中的噪声信息。本文从解决伪标签中噪声信息干扰的角度出发,提出了一种噪声鲁棒生成对抗网络和一个上下文特征增强网络。前者赋予显著性网络噪声鲁棒性,后者提升显著性网络对于困难场景的检测能力。本论文的主要创新点具体如下:（1）针对现有方法受到伪标签中噪声信息带来的错误指导,导致检测结果中包含大量非显著性噪声的问题,本文提出了基于对抗学习的噪声鲁棒显著性目标检测方法。该方法主要包括两个部分:噪声鲁棒生成对抗网络和噪声适应性训练策略。噪声鲁棒生成对抗网络可以从高阶数据分布上将显著性信息与噪声信息分离,使网络对于伪标签中的噪声信息具有鲁棒性;噪声适应性训练策略则在训练过程中将每一批次的伪标签按噪声数量分为优劣样本,并针对优劣样本分别赋予不同的训练权重以及适应性的噪声分离策略,使网络可以在学习显著性信息与学习对噪声的鲁棒性上保持最优的优化途径。实验验证了本方法的有效性,相比于其他方法,本方法不仅可以学习到显著性数据集中的高阶结构性信息,还能对伪标签中的噪声信息有足够的鲁棒性。（2）针对现有方法难以准确检测困难场景检测并因此减弱网络的噪声鲁棒性的问题,本文提出一种对伪装目标数据分级增强方法,同时设计了一种多尺度上下文特征增强解码网络提升对困难场景的信息提取能力。伪装物体数据增强方法对伪装物体数据集按伪装等级进行划分,筛选出其中最能帮助显著性困难场景训练的场景,利用这部分数据补齐原有显著性训练集中的困难场景,网络对于困难场景的语义理解更加深刻。多尺度上下文特征增强解码网络则利用多种不同大小的卷积帮助网络对每一层特征进行全方位的提取和融合,使网络应对困难场景依旧有足够的信息提取融合能力。实验证明,本方法不仅使网络对困难场景依旧保持高度的噪声鲁棒性,且针对性增强了网络对于困难场景的显著性检测效果。