近些年深度学习在计算机领域的深入应用,极大地推动了人工智能技术的蓬勃发展。如何使用深度学习这一主流的人工智能方法,与传统的计算机视觉任务相结合,是当今图像领域研究的热点。得益于深度学习网络强大的拟合能力,在显著性检测、语义分割、目标跟踪、目标检测、图像理解等视觉领域取得了巨大进展。其中,图像显著性检测是以检测视觉系统感兴趣区域为目的的机器视觉应用,旨在模仿人类视觉注意机制这一智能行为。本文就图像显著性检测的相关方法展开研究,重点为基于深度学习的方法。深度学习方法通过堆叠多层多尺度卷积、池化等操作,构建深层特征提取网络。深度神经网络的特征学习能力依赖于海量的权值参数,需要合理设计其网络结构并通过大量的数据训练才能更好地处理各类复杂的决策任务。就图像显著性检测而言,如何运用深度学习模型有效融合不同尺度特征、抑制边缘模糊现象、增强复杂场景鲁棒性,是目前该领域所面临的主要挑战。本文在深度学习模型架构的基础上,通过使用监督训练的方式,试图构建合理的特征融合方法,来增强不同阶段特征融合的有效性,保持显著目标完整性的同时进一步细化物体边缘。本文的主要工作如下:第一部分,详述图像显著性检测的研究意义与趋势。介绍研究背景并结合其现实应用场景阐明其研究意义。梳理国内外图像显著性检测领域发展历史与现状,在回顾传统方法的基础上,主要介绍了基于深度学习的图像显著性检测方法,并且总结该领域的主要发展趋势。第二部分,围绕本文相关的深度学习理论展开介绍。重点介绍了深度学习模型的构建、主流的骨干网络、视觉注意力机制等内容。通过对深度神经网络原理的引入,进而深入理解深度学习模型的基础理论,为后续构建本文提出的图像显著性检测模型提供理论支撑。第三部分,构建跨阶段特征交织融合网络（CSIFNet）。CSIFNet实现了跨阶段的特征有效融合,该模型通过渐进的特征融合方式在两个阶段间进行信息传输,增加浅层与高层特征融合的有效性。同时在解码侧通过模块的堆叠,逐步聚合多尺度信息并增强特征响应,最终获取显著性预测。第四部分,构建多级特征收缩与细化网络（MFSRNet）。该模型在CSIFNet架构上通过替换原有模块设计,引入新的细化模块,以及在原有多边损失函数的基础上设计新的结构感知混合损失函数,从而进一步细化显著对象边缘细节,强化监督优化过程,得到更准确的预测结果。本文提出的CSIFNet与MFSRNet在五个主流的公开数据集上进行测试,并进行实验分析。实验结果表明算法具有较好的性能表现,在复杂背景下有较强的鲁棒性,能够输出较为细化的显著边缘信息。