面对海量的图像信息,如何高效地获取有用的信息已成为研究热点。人类视觉系统应用视觉注意机制,能迅速准确地从复杂的视觉场景中定位与识别自己感兴趣的目标。如果计算机具有人类视觉系统智能的选择计算能力,将极大地提高其信息处理速度和精确度。受此启发,在图像信息处理过程中开始模拟人类视觉注意机制,而显著性检测作为视觉注意机制最基本的问题得到广泛研究。图像显著性检测在计算机视觉领域有着非常重要的地位,其结果可有效应用于图像压缩、图像检索和图像分割等任务中。在现有的显著性检测模型中,当显著目标呈现在低对比度背景下并具有混乱的视觉外观时,传统模型不能产生足够好的预测结果;基于FCN的模型主要致力于通过线性组合最后几个层卷积层所提取的高层特征得到显著信息,这样的显著信息缺乏低层视觉信息,其预测结果目标边界精确度较差;此外FCN网络需要采用上采样操作才可得到与输入图像相同大小的输出,若直接对高层特征进行上采样操作,会使得预测结果具有稀疏性和不规则性。针对以上问题,本文构建了全卷积编解码显著区域检测模型,并在此基础上实现了显著目标实例分割。本文主要研究内容如下:(1)针对现有模型存在的目标边界定位不准确和显著图稀疏性、不规则性的问题,构建了全卷积编解码显著区域检测模型。模型构建的过程共包括4个部分:编码过程、解码过程、多层特征连接操作和显著图融合。其中编码过程保留了空间信息,解码过程优化了显著图的稀疏性,多层特征连接操作优化了显著图的目标边界及其不规则性,显著图融合操作使得最终的显著图更接近真值。我们将本文模型与其他8种模型进行了实验对比,在5个公开数据集上的实验表明,本文模型在准确率-召回率曲线、F测量值和平均绝对误差上的性能优于其他模型。(2)在本文的全卷积编解码显著区域检测模型的基础上,实现了显著目标实例分割。首先,针对显著图边界模糊的问题,本文利用多层分割的方法进行优化;然后,应用SSD模型获取目标候选区域并优化,得到显著目标实例的个数;最后,结合显著图和显著目标候选区域,应用全连接条件随机场进行显著目标实例分割。实验证明,本文的方法很好地实现了显著目标实例分割,显著图性能越好,分割结果也越好,且在平均像素精度和平均交并比上的性能优于其他方法。