近年来,显著性目标检测逐渐得到广泛的关注和研究,并在识别、监测、视觉跟踪定位等领域都有重要应用。基于深度学习的显著性目标检测方法通常通过卷积神经网络学习得到显著性特征,但在复杂场景下,由于背景元素与前景相似或背景对前景造成遮挡等原因,导致显著性物体中像素难以被捕获,从而影响显著性目标检测的预测结果。由于这些像素广泛地分布在显著性轮廓周围,基于边缘增强的显著性检测网络应运而生。基于边缘增强的显著性检测网络通过在显著性网络中添加轮廓分支来进行显著性轮廓的生成,并使用该显著性轮廓使网络更关注物体的轮廓位置。为了更好地发挥显著性轮廓对显著性物体的引导作用,本文以显著性物体与显著性轮廓之间的互补性为基础,进行了边缘增强显著性网络的研究。本文的内容主要包括:1.针对基于边缘增强的显著性目标检测方法中存在的显著性轮廓难以准确预测的问题,本文提出了RTGRNet模型。RTGRNet由预测模块和循环细化模块构成。预测模块中使用双流引导预测模块对显著性特征及显著性轮廓特征进行提取,循环细化模块中的细化单元则首先使用引导模块来完成两项子任务间的相互引导,而后通过叠加细化单元来同时细化两项子任务,从而提升模型性能。2.针对相互引导方法容易带来无关信息,以及忽视了两种引导路径的差异的问题,本文提出了CMGNet模型。CMGNet首先设计了基于相关性的相互引导模块,该模块由局部显著性特征相关性模块和非局部混合特征相关性模块构成,前者使用显著性轮廓周边的显著性信息剔除非显著性轮廓部分,后者则使用全局的混合信息增强显著性预测中对轮廓位置的关注。然后,CMGNet设计了循环非对称式双流单元,并通过叠加该单元来进一步提升模型性能。3.本文在六个公开的显著性目标检测数据集上进行了实验验证,实验结果表明,本文提出的RTGRNet模型和CMGNet模型均取得良好的预测效果。其中,RTGRNet模型在DUT-OMRON数据集的评价指标bF分数和Sm分数上分别提高了0.5%与1.1%。CMGNet模型在DUTS-test数据集的评价指标Fb分数和Sm分数上分别提高了0.8%与0.7%。同时,本文提出的引导模块,循环细化单元,局部显著性特征相关性模块,非局部混合特征相关性模块以及循环非对称式双流单元均能明显改善模型性能。