图像显著性检测是指利用人眼的注意力机制将图像中较为突出的目标区域检测出来。当面对一幅自然图像时,人类可以准确的捕捉图像的显著区域。如背景为蓝色的天空时,点缀在其中的几朵白云便是显著的;又如湖面上的一艘船,船相对于湖面也是显著的。这些场景都有共同的特点,显著部分与背景部分对比度差别较大且颜色差异也较大。对于如上所提出的背景较为单一的场景,已有许多简单且准确度较高的图像显著性检测算法。但对于图像背景较为复杂,显著目标与背景对比度差异较小的场景,目前已有的算法对于此类图像检测效果不佳。因此,需要构建一个更加鲁棒的显著性检测模型。本文将VGG16作为基础网络,搭建了一个端到端的显著性检测模型。首先,在网络的输入端加入显著先验;然后,将显著先验与原图共同输入至卷积神经网络之中进行训练;最后,通过调整VGG16的预训练参数确定最终的模型参数。针对图像背景复杂等问题,将VGG16网络每一组卷积的最后一层进行拼接,将含有边缘纹理细节的浅层图与包含语义级别信息的深层图进行侧输出融合,增强网络学习能力。针对前景与背景对比度较小导致显著图难以准确区分显著主体以及边缘不连贯等问题,本文提出将原图进行对比度增强后锐化突出边缘信息,然后将结果集加入训练集,通过此过程,使神经网络学习更多的边缘信息,增强算法的鲁棒性。本文提出的算法在三个公开的显著性数据集上进行评估,实验结果表明本文算法能够有效的突出显著区域。在SOC数据集上,可以看出对于前景背景对比度较小、背景杂乱的图像,本文算法能够准确找到显著部分并产生连贯的边缘。与其他算法相比,在F-measure以及MAE值上,也有一定的优势。