显著性检测是计算机视觉方向的子任务,与人眼注意力机制紧密相关。对它的研究,不仅可以帮助了解人类的视觉机制,也能够广泛应用于图像裁剪、目标识别、目标跟踪等领域。随着深度学习在显著性检测领域的广泛应用,显著性检测的性能得到了很大的提高,但基于深度学习的显著性检测仍存在待解决的问题。为了提高基于深度学习的显著性检测模型的性能,数据上、评价指标上、模型上均需要得到改进。本文以基于深度学习的显著性检测模型设计为研究课题,重点研究了动作特征增强的显著性检测模型设计,以及融合网络高低层特征的显著性模型设计。针对目前模型无法很好地检测图像上高语义区域的问题,本文以高语义区域中与人交互的、产生动作的区域为研究对象进行研究,为了增强模型在该类区域的检测性能,本文的思路是提供给模型能够检测到该类区域的特征,提出了动作特征增强的显著性检测模型。利用弱监督学习的思路,仅提供图像级标签,分类网络中可以提取到能够定位图像上与标签相关区域的特征。本文通过在一个动作数据集上训练分类网络,从而提取到动作特征,进而将动作特征融合进显著性检测模型,在三个数据集上的实验验证了所提出方法的可行性。本文提出方法提升显著性检测模型对图像上与人交互、产生动作区域的检测性能,提出了一种简单、可扩展的,利用弱监督学习的方法。针对基于深度学习的模型过分依赖神经网络高层特征的问题,本文提出了一种融合网络高低层特征的模型,期望充分利用网络的各层特征以得到更鲁棒的预测结果。根据显著性检测问题的特点,本文提出一种利用网络低层特征的预测输出增强网络高层特征的预测性能的方法,首先采用自顶向下的语义信息传递模块,使得底层特征具备一定的语义信息;进而利用串行的膨胀卷积模块提取更丰富的全局信息增强各分支的预测性能;最后构造自底向上的逐层融合模块,使底层的预测输出作为先验信息指导高层特征的预测,增强高层特征的预测性能。本文提出了一种新颖的利用网络多层特征的模型,并在通用显著性测试数据集上取得了具有竞争力的成绩。