显著性目标检测任务的目的是在图像中勾勒出人类视觉最关心的部分,用于后续的算法或是减少图像处理的成本。某些应用环境中光照不足,可见光数据通常会失去大部分性能,而热成像数据可以弥补这一部分的信息损失,提高检测性能。本文针对低光照或是光照不稳定的情况下的显著性检测任务,对光照判别、多源数据融合以及显著性检测展开了研究。具体工作如下:首先基于光照判别数据集,训练光照判别模型。将多源显著性检测数据集输入光照判别模型,为每一组图像输出一个光照量化分数,作为定量的参考,指导可见光和热成像数据自适应地融合,从而做到多源数据的取长补短。其次,训练多源数据融合网络,该网络由编码器、融合层、解码器组成,训练阶段训练编码器提取特征的能力以及解码器重构图像的能力,融合阶段,基于先前得到的光照量化分数,为每一对可见光与热成像数据分配一定的融合权重,输出融合图像用作后续显著性检测网络的输入。最后训练显著性检测网络,对于基于光照判别的多源融合图像进行显著性掩码输出,并衡量算法性能指标。借助深度学习在特征提炼上的强大性能,本文所提算法可以准确地获得光照参考信息（命名为IAN-score）对多源数据进行融合指导,提炼出多源数据中更有表征性、性能更优的数据。实验结果证明,在P-R曲线定性分析以及MAE、max-F等定量指标中,所提方法总体上优于传统的基于可见光的方法以及设置的其他实验对比组。同时本文在多源显著性检测已有数据集的基础上增加了一维的数据,即光照判别信息,为未来多源数据集的拍摄提供了新的思路。