随着科学技术的迅猛发展以及互联网的广泛普及,人们获取的图像数量呈爆发式增长。如何利用计算机快速准确地分析和理解图像内容,已成为计算机视觉领域一个亟待解决的问题。显著性检测任务作为图像分析和理解问题的重要步骤,旨在快速定位并提取图像中人们最关注的局部区域。该任务是计算机视觉领域的研究热点之一,在图像视频压缩、图像重定向、目标识别以及图像检索等诸多领域有着广泛的应用。随着计算机视觉技术的发展和显著性检测领域研究的深入,当前的算法在检测的准确性上取得了显著提升,但在如何有效提取并利用场景结构信息、如何准确检测不同大小和形状的显著目标、如何精确分割显著目标的边缘轮廓区域等等方面仍然存在诸多亟待解决的难题。针对以上难题,本文围绕低层和高层特征表征方式在显著性检测问题中的应用展开研究,其主要的研究内容以及创新点如下:（1）针对场景结构信息的提取和有效利用问题,本文提出一种基于图像消失点检测的人眼关注点预测算法。该算法通过构建基于消失点这一场景结构信息的融合模型,来预测图像像素的显著性。首先,该算法以检测到的消失点坐标为中心,通过计算二维高斯分布图,来提取图像消失点特征图;其次,将图像消失点特征图和基准方法计算的显著图作为图像特征,通过学习支持向量机分类器的方法,对图像特征进行融合;最后,根据融合特征并对像素的显著性进行分类,以达到提取人眼关注区域的目的。此外,本文构建了一个消失点图像数据集,以验证算法的有效性。实验结果表明,该算法构建的消失点特征图能够有效地表征消失点图像的显著性。与基准模型相比,所提出的融合模型在消失点图像场景中具有更高的人眼关注点预测精度。（2）针对不同大小和形状显著目标的准确检测问题,本文提出一种基于多尺度深度卷积神经网络的显著目标检测算法。该算法以深度特征为基础,通过构建多尺度特征采样模块和多尺度残差模块,分别对显著目标的大小和形状进行建模。其中,多尺度特征采样模块通过不同尺寸的空洞卷积对高层深度特征进行采样,以增强网络对于不同大小目标的感知能力;多尺度残差模块通过构建空间注意力机制,利用从高层级到低层级的深度特征计算显著图和真值之间的残差,以逐步优化检测结果的空间细节。实验结果表明,所提出的显著目标检测算法能够有效提升模型对于不同大小和形状显著目标的检测准确性。（3）针对显著目标边缘轮廓的精细分割问题,本文提出一种基于边缘感知深度卷积神经网络的显著目标检测算法。该算法通过构建全局感知模块、边缘感知反馈模块和边缘提取模块,以增强深度特征对于显著目标轮廓的表征能力。首先,全局感知模块对高层级深度特征进行分块卷积,以同时捕捉显著目标的全局语义和局部细节信息。其次,边缘感知反馈模块采用反馈连接实现网络内部的信息循环交互,并通过构建空间注意力机制,以过滤各层级深度特征中显著目标边缘轮廓以外的冗余信息。最后,边缘提取模块通过平均池化操作提取显著目标边缘轮廓,并提出边缘增强损失函数对网络参数进行监督学习,以实现显著目标检测任务和显著目标边缘轮廓检测任务的联合学习。实验结果表明,所提出的显著目标检测算法能够有效提升模型在目标边缘区域的分割精度。