显著性目标检测旨在识别出图像中人类最为感兴趣的物体或者区域,并将其完整准确地分割出来,其在计算机视觉领域中扮演着重要的角色,被广泛应用在语义分割、实例分割、目标识别等任务中。经典的显著性检测算法在复杂的场景下,例如:前景目标多、背景和前景区分度不大、背景嘈杂等情况,受限于单模态RGB对外观等特征结构预测能力较弱、对复杂的情况缺乏判别力等,仅使用单模态RGB特征难以获得准确的显著检测结果,因此需要其他模态信息辅助RGB进行显著性检测。文本模态含有类别信息、属性信息;深度模态含有空间结构、位置信息,两种模态都可以帮助显著性检测提升性能。本文主要提出了两种基于多种模态联合学习的显著目标检测算法。第一个是基于文本模态的显著性检测算法,该算法利用图像描述分支生成具有文本模态的图文嵌入向量,该向量含有高级的上下文语义特征、图像类别特征以及物体属性信息,这些特征信息可以辅助显著性物体的检测,并且在该分支给出了新颖的图文双向注意力模块,该模块可以利用文本信息重构图像特征,让图像特征与文本信息准确对应。第二个是基于多模态的显著目标检测算法,利用多任务将RGB、文本、深度三种模态进行了联合学习。在该模型中利用深度信息处理支路生成了具有深度模态的特征,该特征所包含的深度线索对图像的位置和空间结构具有一定的判别能力,这对于显著性检测是有益的,同时在该支路提出了逐级融合模块,可以让深度信息和RGB信息充分融合,避免了模态之间的偏置差异,提高了显著性检测的精度。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,都取得了比较优异的结果。