协同显著性检测是视觉显著性检测的一个重要分支,可以作为预处理来提高视觉任务处理效率与算法性能。协同显著性检测需要综合考虑每个图像的属性以及图像间的一致性和交互性,但是许多协同显著性检测方法只关注高层次的特征信息,而不考虑低层次的有用信息,未能充分利用全部的有效信息,这使得检测结果出现一定程度上的偏差。本文在现有研究的基础上设计两种基于深度学习的协同显著性检测方法,充分利用高层语义特征和低层边界特征,融合多尺度特征图,提高协同显著性检测的准确性。论文的研究内容包括:（1）反向信息融合的协同显著性检测方法该方法主要包含反向信息融合模块和协同一致性学习模块。反向信息融合模块建立高层和低层之间的关系以获得更加丰富的特征信息。协同一致性学习模块结合空间注意力和通道注意力机制学习图像间的协同性和一致性,提取图像间的交互信息,指导生成高质量的协同显著图。该方法捕捉每幅图像固有属性和图像之间的交互性。通过与11种协同显著性检测算法在3个数据集上进行性能比较验证了该方法的有效性。（2）多尺度特征增强的协同显著性检测方法该方法的网络结构主要由两个模块组成,分别是图像间共同注意力提取模块和特征集成与增强模块。该方法的图像间共同注意力提取模块通过不同的权重分布获取图像之间的共同语义信息。特征集成与增强模块融合各个尺度上的特征以生成最终的协同显著图。并且该方法简化了网络结构,改进了特征融合和增强的方式,进一步优化了模型的复杂度和计算效率。该方法与11种协同显著性算法通过定量和定性的比较证明了每个模块的有效性和提出方法的优越性。此外,本文构建了一个新的数据集Co-COD,用于验证协同显著性检测方法的实际应用效果,该数据集包含67个子类共5677幅图像。通过一些工程领域的实验证明协同显著性检测方法具有重要的研究和应用价值。