从图像中提取有价值的信息是尤为重要的,它为视觉信息处理提供了必要的前提和技术基础。而显著性检测则是提取有用信息的有效手段之一,它通过模拟人类注意机制,可以检测出人的视觉系统优先关注到的区域,为后续复杂的图像处理任务降低了处理难度。因此,研究视觉显著性检测极具研究意义和应用价值。基于深度学习的显著性检测算法能够获得相较于传统方法更精细的检测结果。然而,目前的检测效果不能获得准确的显著目标定位,同时所获得的检测结果往往丢失一些细节信息。因此,本文将开展两个方面的研究工作:（1）研究解决现有方法对复杂场景中显著目标尺度变化大、定位不准确的问题。本文提出了基于多级全局信息传递模型的显著性检测算法。该算法在较高层级引入了多尺度全局特征聚合模块,并将多层级提取出的全局信息进行融合;然后将融合后的高级全局语义信息以特征传递的方式和较低层次特征融合。这些操作可以最大限度的提取到多尺度上下文信息来增强全局特征,同时避免这些信息在逐步传递到低层时产生损失。充分利用全局上下文信息能够使得复杂多变的显著目标的定位更准确,同时在一定程度也减少无关背景干扰。在四个基准数据集上与其他方法进行对比,结果表明该算法在准确率、召回率、F-measure值及MAE等指标上优于几种经典的图像显著性检测方法。（2）研究解决现有算法所获得的显著目标检测区域不完整、边界模糊等问题。为此,本文提出了基于像素级特征信息增强模型的显著性检测算法。该算法采用分层处理的思想集成不同层次的特征信息,首先通过引入像素级注意力模块和渐进式边界细化结构,强化空间局部细节和目标边界轮廓;其次利用特征金字塔注意力模块提取出更有显著性判别力的全局信息。这些操作优化全局指导信息的同时,还充分增强了局部细节特征,一定程度上解决了空间局部细节的二义性问题,并使得目标边界部分更加清晰。实验结果表明,该算法在复杂场景中依然可以突出目标,实现较精确的显著目标定位,相较于传统以及深度显著性检测算法,在ECSSD、PASCAL-S等4个数据集上均表现出较好的性能。综上所述,本文分别从优化全局和局部增强角度出发,构建了多级全局信息传递模型和像素级特征信息增强模型用于显著性检测。通过定性、定量实验对比,本文方法表现出较优的检测性能,其F-measure值在ECSSD、DUT-OMRON数据集上分别最高达到了0.935、0.814。这为显著性检测在细节信息的保留和增强提取全局上下文信息的能力方面提供了新的研究思路。