图像作为记录和表达信息的重要载体,在信息化程度不断加深的社会中占据着越来越重要的地位。人类视觉系统可以快速从图像中提取有价值的信息,但随着各种终端移动设备的不断普及,仅利用人类视觉系统处理海量图像已不能满足社会需求,那么开发计算机视觉系统是解决问题的有效途径。图像显著性目标检测作为计算机视觉研究的重点之一,其任务目标是定位和检测图像中最明显且引人注意的物体或区域。深度显著目标检测方法利用卷积网络提取的丰富的多层级语义特征,使得模型性能超越传统检测方法,但深度模型的检测仍存在显著像素预测不准确、不均匀和边缘预测不准确等问题,本文以此为切入角度,提出相应的解决方法。本文主要贡献如下:为充分挖掘全面且准确的图像显著信息,本文提出利用多注意特征的深度显著性目标检测模型。模型包含渐进通道压缩、残差解码模块、位置注意模块、聚合和混合注意模块。渐进通道压缩充分利用卷积操作提取通道交互信息并统一编码特征的通道数。残差解码将高层语义指导信息逐层传至低层,融合多层级卷积特征图的潜在细节信息。位置注意模块进一步挖掘每个层级重要的空间信息,获取更全面的显著像素。聚合模块丰富了层级特征间的上下文关系。混合注意模块过滤背景干扰信息,提升准确性。实验结果证明该模型卓越的检测性能。针对复杂场景检测中存在的两个挑战:显著目标局部细节缺失和非显著区域误识别,本文提出基于平均和最大池化的深度显著性目标检测方法。该模型包含原始特征提取、平均和最大池化模块、特征融合和深度监督机制。首先,模型提取多层级原始特征,接着平均和最大池化模块在空间和通道维度上提取多层次互补的上下文特征,然后特征融合模块充分融合全局空间信息和局部细节信息,其次模型利用两条自顶向下反馈路径的顶层语义信息指导底层特征。最后,深度监督机制提高网络在不同数据集上的泛化性能。实验结果充分地证实该模型具有良好的检测性能。为解决显著目标检测不均匀、边缘细节不清晰的问题,本文提出两阶段双U型网络模型。该方法利用双U型网络分阶段全局建模显著和边缘两类卷积特征。第一阶段基于单编码-双解码U型网络提取五个层级的显著和边缘粗特征,定位显著目标。第二阶段基于独立的显著和边缘U型网络将粗特征从高到低逐层细化,挖掘两类特征的层级相关性,充分利用不同层级的语义特征,丰富特征图细节。最后特征图融合模块逐层将两类特征融合,生成最终显著图。在处理多目标、低对比度和复杂背景等具有挑战性的自然场景图像时,该算法表现突出。