大数据时代的到来伴随着数据体量的指数级增长。作为记录和表达信息最直观、最方便的方式,图像的处理方法一直是研究者们的热门课题。如何模仿人类的视觉注意机制,检测图像中的显著目标,是当前计算机视觉研究的重点之一。近年来,基于深度学习方法的不断被提出。卷积神经网络的出现,极大地改善了现有的显著性检测方法。本文致力于充分挖掘图像中不同方面的深度信息,通过多种特征的获取,使模型能达到较高的准确度。本文对于图像显著性目标检测任务中用到的传统方法和常用的深度学习检测方法中出现的主要缺陷进行了列举分析,并提出了相应的解决方法。本论文的主要贡献如下:对于待测图像中可能出现的多个显著目标以及显著区域不易确定的问题,本文提出了多层级连续深度特征聚合的网络结构。该方法改进了传统深度网络的结构单向性、利用特征单一性的劣势,采用多层中间特征图参与最终显著性特征图的融合。网络结构上分为三个部分,多层卷积编码阶段获得不同层级尺度的特征图,上采样解码阶段将各个层级的特征图上采样至合适尺寸,最后在融合阶段对这些上采样后的特征图进行融合。该方法借鉴了传统方法中多尺度融合的思想,在深度学习的任务中也取得了不错的表现。实验结果表明,该方法在定位显著区域上有着优越的表现。在此基础上,本文又对图像的其他深度信息进行显式建模。对于待测图像低对比度的问题,本文提出了一种基于通道注意力机制的多通道特征重加权模块和多通道特征融合模块。由于显著性目标检测任务本质上是对人类注意力机制的一种模仿,这类模块结构能充分挖掘待测图像的深度通道特征信息,找出对显著性刺激贡献较大的通道并对其进行重新加权,突出其在特征图中的地位。首先,图像在卷积阶段经过全局池化层进行通道粗编码,然后该向量经过自适应重加权部分重新学习特征通道的显著性刺激贡献,最后返回权重向量与原图像对应特征图进行相乘累加形成新的特征图。实验证明,在多个具有挑战性的公共数据集上,该方法能够明显的提高检测模型的表现。对于待测图像中显著目标轮廓模糊的问题,本文提出了显著性目标轮廓辅助检测任务,通过引入支路的方式,对图像中待测目标的轮廓信息进行显式地建模。该任务的支路网络结构与主路结构类似,但由于检测目标变为了显著目标的轮廓,在网络层级的数目上较主路结构有些许减少。该支路的引入,使得最终的检测网络变为由主体检测为主,轮廓检测为辅的多任务神经网络结构。实验表明,这种辅助多任务检测网络能够明显细化目标的边界信息,使目标轮廓更加清晰,在定量指标上也有着明显的改善。最后本文将上述三种深度特征信息的建模方式进行融合,形成一种多层级、多通道、多任务特征融合的显著性目标检测网络,并就各个深度特征的融合方式进行简要的叙述,通过与其他方法定性与定量的对比来证明这种融合方法的优越性。另外,通过增加自身的消融实验,证明了文中所提出的网络结构组成部分的有效性以及该方法在检测任务中的应用前景。