显著性物体检测旨在识别图片中在视觉上最鲜明的物体,在各种视觉任务中扮演着重要角色。然而,准确检测显著性物体仍是一件具有挑战性的研究课题,因为图片中显著性物体是由图片结构、物体语义和上下文信息等多种因素共同决定的。尽管基于深度学习的方法已经取得不错的进展,由于特征感受野的限制,现有方法在提取显著性物体的全局语义上下文的能力仍有不足。针对这个问题,本文提出了两种多尺度特征融合网络来增大特征感受野、增强特征全局语义上下文,从而有效地提升显著性物体检测的性能。本文的主要贡献有如下几点:1.本文提出了一种基于注意力机制融合空洞卷积特征的显著性物体检测算法(AADF-Net)。AADF-Net有两个创新点:其一,本文提出了一种基于注意力机制的密集空洞空间金字塔池化模块(AD-ASPP),这个模块首先通过不同空洞率的空洞卷积提取多尺度特征、增大特征的感受野,然后通过可学习的注意力机制,选择性地利用不同空洞卷积特征之间的互补信息来增强特征的全局语义上下文。其二,本文提出了基于残差学习的双向细化网络来整合增强后的特征,从而得到更精细的预测结果。2.本文提出了一种基于结构感知双金字塔网络的显著性物体检测算法(SDPNet)。SDPNet有两个创新点:其一,通过在空间和通道维度将自注意力机制融入到局部区域语义中,本文提出了结构感知双金字塔结构,该结构能在不损失特征空间分辨率的情况下,提取多尺度特征,增强特征的全局语义上下文和结构语义上下文。其二,本文提出了一种结合边缘损失和对抗损失的结构感知损失,能将边缘结构语义和全局结构语义引入网络增强预测的显著性物体的结构一致性。