遥感图像尺寸大、目标多、场景复杂,如何从大场景遥感图像中快速准确地检测出感兴趣目标仍面临较大的技术挑战,目标显著性区域的快速提取是解决上述难题的有效途径之一。人眼视觉关注显著性区域的提取一直是计算机视觉领域的研究热点,经过几十年的发展,主要分为自底向上和自顶向下两类方法。前者是在不理解图像内容的情况下,从视觉刺激本身推断出人的注视区域;后者直接由对象级任务驱动,需要对场景的上下文有清晰的理解。本文以遥感图像目标检测任务为背景,利用眼动仪实际采集的人眼注视数据为真值,研究遥感图像目标显著性区域提取的深度学习技术,并具体针对光学和合成孔径雷达（SAR）图像分别提出了两种显著性区域快速提取方法。论文主要创新工作包括:（1）设计以眼动信号作为显著性真值构建数据集的方案,解决遥感图像显著性检测中缺少直接反映人的视觉关注机制的数据集的问题。深度学习模型是数据驱动的,本文介绍了通过桌面式眼动仪提取眼动信号参数的方案,讨论了眼动信号的处理与关注模式提取,通过对眼动注视位置的识别分析筛选出所需的目标显著性检测数据集。（2）设计了一种基于DeeplabV3+网络的多尺度全卷积神经网络,用于光学遥感图像显著性区域提取。模型采用膨胀卷积增加感受野,获取多尺度信息,解决遥感图像舰船目标显著性区域与背景不连续、边界模糊等问题;然后用层数较低的编码层网络浅层来预测显著性图,在增强遥感图像舰船目标显著性检测精度同时减少了模型的参数量。与最新的深度监督模型（DVA）网络比较,提出的算法的测地线距离（EMD）明显优于DVA方法。（3）设计了一种基于UNet网络的轻量级多尺度卷积神经网络,用于解决SAR图像的目标显著性检测问题。SAR图像目标显著性检测数据集中的舰船尺寸较小,因此我们在UNet网络的基础上减少了一层池化层。对于我们的数据集,UNet网络中的四层最大池化层损害了网络性能,因为输入特征图经过了四次下采样后的尺寸过小,会使得解码器网络难以进行上采样并得到高分辨率的显著性图。此外,由于该数据集关注海面舰船目标,实验结果表明,提出的轻量级多尺度卷积网络不仅降低了计算复杂度,还有很好的泛化结果,减轻了带有异常值的注视图像对预测结果的干扰,具有一定的应用价值。