图像显著性目标检测旨在利用计算机模拟人类的视觉认知机制,快速并准确地定位视觉场景中最具信息量的区域,同时选择性地忽略其他无关区域。该任务作为计算机视觉研究领域中的一个重要分支,广泛应用于诸如机器人识别、背景转换、三维视觉重建等实际场景中,并作为图像识别、图像分类、语义分割等视觉任务的预处理工具,有效地节省了图像处理的时间和空间成本。近年来,深度学习地快速发展使得基于神经网络的RGBD显著性目标检测方法接连被提出,并取得了一定的进展,但如何有效地利用Depth信息进行RGBD的显著性目标检测仍然是一个难题。首先,由于由Depth信息采集设备（诸如:Kinect、i Phone X等）捕捉到的Depth图像往往含有图像噪声,导致难以有效精准地提取Depth特征;其次,现有深度学习方法直接融合RGB和Depth这两种不同属性的特征,两种属性的特征存在固有差异,直接融合的方式使得模型的判别力受到干扰,无法充分发挥Depth的作用。本文针对上述两个问题展开研究,主要工作如下:（1）基于自适应权重的RGBD显著性目标检测算法研究。针对RGB和Depth这两种不同属性特征融合困难问题,本文提出一种基于自适应权重的RGBD显著性目标检测模型（D2FNet）。利用Depth信息,学习RGB线索的自适应融合权重,用于度量网络中各层RGB线索对预测最终显著性目标的重要程度,以此动态的引导RGB特征的交叉融合。此模型动态地选择具有补充信息的RGB特征,并自适应地增强与融合这些RGB特征,充分发挥Depth的作用,有效突出显著性区域。（2）融合边缘信息的RGBD显著性目标检测算法研究。针对Depth图像存在噪声数据（主要表现为边缘模糊）导致特征提取困难问题,本文受边缘检测启发,提出一种基于边缘学习的RGBD显著性目标检测网络模型。该模型设计了一个深度图像边缘信息提取模块,用于提取depth的边缘特征。并利用类别平衡交叉熵损失函数指导该模块的训练,以确保Depth边缘特征提取的精准度。该模型一定程度上解决了Depth边缘模糊带来的Depth特征提取不准确问题,能够分割出精准度较高的显著性目标。为了验证上述所提方案的可行性,本文在通用公开的RGBD显著性目标检测数据集上进行了大量丰富的实验。实验结果表明,本文提出的面向RGBD图像的显著性目标检测算法的性能超越了当前现有的RGBD显著性目标检测的性能。