显著目标检测旨在模拟人眼的视觉机制,检测并分割出一幅图像中最吸引人注意力的目标。近年来,这项基础性的工作在很多计算机视觉领域中都发挥了重要的作用,比如行人重识别、弱监督语义分割、物体识别等领域作为图像预处理技术。虽然基于RGB图像的显著目标检测获得了很大的进展,但在复杂场景下检测效果仍需要改善。随着RGBD传感技术的发展,能够获得RGB彩色图像的同时获得相应的深度图像信息。由于深度信息能够使网络感受多层次的信息,并且当RGB图像对比度很低的时候,深度图像能为其提供补充信息。因此,RGB-D显著目标检测近年来得到了广泛的关注和研究。本文主要对基于特征融合的RGB-D显著目标检测算法进行研究,为了研究如何更好地融合RGB信息和深度信息,给出了两种深度学习网络模型。其中第一个模型基于解码器之间的特征融合,在这个网络中,为了将信息更好地向前传播,在抑制与显著特征无关的信息同时,并增强与当前任务有关的显著信息,主要是引入了残差融合模块来提高网络的检测效果,此外,还加入了子像素卷积层来完成图像特征由低分辨率到高分辨率的转变,将插值函数隐含在卷积层从而提高网络的效率,最后在网络中加深监督来提高算法的性能;第二个模型基于编码器之间的特征融合,引入了不对称注意力机制来将编码器的特征进行加强,从而在RGB图像信息和深度信息之间紧密地分层交互,通过在通道层面和空间层面给予不同的重要性权重,使得网络对编码器的特征进行选择和转换,进一步将其馈送到解码器以实现细分效果,最后为了增强显著目标检测的轮廓,利用边缘检测任务来辅助显著目标检测,通过边缘损失函数加强其在边界上的效果,从而实现端到端的训练。上述两种算法均在公开的数据集上进行测试,并与近年来优秀算法做了实验对比,取得了比较不错的结果。