人类的视觉系统对图像信息有极强的感知能力,其中复杂的视觉机制是支撑人类视觉系统高效运转的前提,因此研究视觉感知机制对于理解目标感知过程具有重要意义。而近些年以模拟人脑神经元工作方式的深度学习技术快速发展,更是为目标感知计算模型的研究贡献了更多重要的新思路。受此启发,本文首先考虑到视觉系统主视通路上的视网膜、外侧膝状体、神经突触以及视皮层等结构对视觉信息流的加工处理过程,构建了基于视觉感知机制的目标轮廓检测模型;然后进一步考虑区域性目标感知问题,基于卷积神经网络构建了视觉显著性检测模型,结合建立的判别器和筛选器实现了扩充训练数据集的目的,有效地提升了原网络计算模型的显著性检测效果;最后将显著性检测模型迁移应用于行人重识别任务。本文的主要研究如下:（1）提出了一种基于主视通路结构分级响应模型的轮廓检测方法。首先根据视网膜感光细胞的暗视野特性以及多尺度经典感受野的方位选择性,构建高级轮廓与全局轮廓的检测路径;模拟LGN细胞特性对信息进行纹理稀疏编码,结合非经典感受野的侧抑制作用抑制背景强纹理;另外在LGN区提出微动整合机制,减少纹理冗余信息,再经适应性突触实现信息关联传递;最终将初级轮廓响应跨视区前馈至V1区并经全局轮廓修正后,与高级轮廓响应快速融合,实现对目标主体的轮廓检测。实验结果表明本方法能更有效的区分轮廓与纹理边缘,凸显目标主体轮廓抑制无关背景噪声。（2）提出了一种基于对抗训练和数据筛选的视觉显著性检测增强方法。首先使用ENet网络作为显著性检测框架;构建判别器对训练数据集和新数据集经过ENet解码模块的输出特征进行两两判别,期间ENet和判别器交替对抗训练;然后利用CAM算法找到图像感兴趣区域后,提出un ROIErase方法训练分类模块,与特征距离度量模块共同组成数据筛选器;最后从新数据集中筛选可靠的图像和伪标签扩充至训练数据集,重新训练ENet网络用于视觉显著性检测。实验结果表明上述方法能够为源数据集扩充有效的新数据,驱使网络挖掘更多样的特征分布信息,提升网络模型的显著性检测能力和泛化性能,有效缓解网络过拟合问题。（3）提出了一种将显著性检测应用于行人重识别的方法。首先使用训练好的ENet网络获取行人显著图,然后在Res Net50的layer3后部构建提炼层来提取特征,并将特征图通过双线性插值扩展到与显著图相同的大小后与显著图融合,增强局部显著特征的响应;最后将全局特征和局部特征拼接后,采用联合损失和标签平滑的手段训练模型,提升模型的性能。实验结果表明,将行人显著图应用于行人重识别可以提高局部显著特征的质量,将其与全局特征共同训练的方式可以提升网络的重识别能力。