随着智能手机等设备的普及,各种数字图片更加频繁地出现在人们的日常生活当中。如何让计算机通过图像来认识世界是许多学者一直研究的任务,其中一个重要子任务是图像显著性检测。图像显著性检测是许多图像处理任务的重要步骤之一,目前已经提出很多图像显著性检测方法。RGBD图像相较于彩色图像拥有额外的深度图,具有更全面的3D空间结构信息。本文致力于研究基于深度学习的RGBD图像显著性检测方法,包括基于边缘感知和跨模态特征采样的RGBD图像显著性检测方法和基于分类弱监督的RGBD图像显著性检测方法。主要研究内容如下:第一,现有的RGBD图像显著性检测方法未能充分利用彩色图像和深度图像的跨模态信息,且现有方法对显著物体边缘的分割粗糙。为解决上述两个问题,本文提出基于边缘感知和跨模态特征采样的RGBD图像显著性检测方法。首先本文提出跨模态特征采样模块来充分融合RGB特征和Depth特征。具体而言,本文基于特征通道值的统计,给予不同的通道不同的权重来平衡RGB特征和Depth特征的贡献;其次,在本文的多层次密集融合中加入边缘敏感损失使显著对象的边界清晰。最后,提出两种多层次显著图融合模块重构出最终的显著图。第一种是逐像素融合模块,通过逐像素融合模块预测各个层次显著图的权重图,然后依据权重图在像素级别上融合各个层次的显著图得到最终的显著图。由于这种重构融合方式并不能发掘出新信息,本文提出第二种基于编码器-解码器的显著图融合模块。实验结果表明,相较于目前最新的RGBD图像显著性检测方法,本文的方法在各个数据集的指标上无论采用逐像素的融合方式还是编码器-解码器的融合方式都能取得更好的效果。第二,考虑到强监督情况下,使用像素级标注的标签代价是昂贵的。本文对弱监督的RGBD图像显著性检测方法进行研究,提出了基于图像分类的弱监督RGBD图像显著性检测方法。首先,本文分别利用基于梯度的类别响应和传统的RGBD图像显著性检算法生成类别响应图和显著图;其次,本文提出深度优化策略对类别响应图和显著图进行优化,并将二者融合生成初始的显著图伪标签;然后,通过本文提出的混合损失函数和显著图伪标签对全卷积神经网络模型进行迭代训练。最后,RGBD图像经过训练完成的全卷积神经网络模型得到最终预测的显著图。实验结果表明,本文提出的基于图像分类的弱监督RGBD图像显著性检测方法在多个数据集上,其性能可以超越其它弱监督RGBD图像显著性检测方法。