显著性目标检测是一项基于人类视觉注意理论的计算机视觉任务。光场显著性目标检测作为其新兴的一个分支,以光场提供的丰富图像类型为数据来源,通过充分提取场景包含的特征来准确地识别并分割出场景中吸引注意力的完整物体,提高在复杂背景、复杂光照、物体与背景相似等挑战性场景下的性能。研究表明,颜色、方向、运动、深度和聚焦都是影响视觉注意的因素。由于光场所提供图像类型的特殊性,现有基于深度学习的方法只基于上述部分因素进行特征提取,以降低网络的计算负担。然而,无论是基于重聚焦图像类型的方法还是基于多视角图像类型的方法,都未能在特征提取过程中充分利用光场特性、尽可能地减少光场的冗余信息。本文围绕如何充分、高效地利用光场特性进行显著性目标检测,从不同图像类型提供的信息入手,主要开展了以下四个方面的研究:（1）提出一种基于焦点堆栈的3D-2D混合卷积网络,从焦点堆栈中充分提取连续变化的聚焦线索来检测显著性目标的同时极大地降低了网络所需的计算量。与现有基于重聚焦图像类型的深度学习方法相比:无需输入全聚焦图像,网络结构更简单;使用3D卷积从焦点堆栈中提取特征,更好地保留了聚焦线索;为整个焦点堆栈生成一幅显著图,计算更高效。实验结果表明,该网络在光场显著性目标检测数据集上能够精确地检测出显著性目标。（2）提出一种基于数字重聚焦数据增强的显著性目标检测网络,融合颜色、方向、聚焦、边缘和深度特征,实现了高效的显著性目标检测。与直接输入焦点堆栈的方法相比,该方法将数字重聚焦原理作为数据增强的手段,在网络训练过程中,只需输入重聚焦图像和深度图,使光场显著性目标检测任务转化为RGB-D显著性目标检测任务,极大地降低了网络训练时的计算负担。同时,为兼顾RGB显著性目标检测任务,在测试阶段支持只输入RGB图像。实验结果表明,该网络在3种显著性目标检测数据集上均取得了良好的检测效果。（3）提出较小规模的光场显著性目标检测网络。本文的方法针对现有方法没有考虑网络在移动设备上的可移植性、网络计算高效的问题,在网络设计的过程中,始终结合当前数据的特性,尽可能地设计规模较小地网络。实验结果表明,本文的网络在取得良好检测精度的同时,具有较小的规模。（4）探究在多个基线上训练的差异。本文的方法针对现有方法在不同基线上进行训练的问题,在3个具有代表性的基线上进行训练,比较不同基线上训练得到模型的差异,为后续工作选择基线提供参考。