显著性目标检测是通过算法提取图片或者视频中显著区域（即人类感兴趣的区域）的技术。其中,显著目标可以依据纹理、颜色、大小甚至运动状态等有别于背景的要素来定义。显著性目标检测技术可以助力相关计算机视觉研究和现实场景应用。目前的显著性目标检测算法研究主要依靠卷积神经网络的学习来获取相关特征,进而使算法具有良好的性能。所以本文使用卷积神经网络为显著目标检测做出了探索性和创新性地研究,并取得如下成果:（1）目前的显著性目标检测模型仅从前景信息和背景信息中的一个维度来获取显著性特征,却没有综合地考虑并利用这两种信息。现实却是深层卷积神经网络的特征学习能力依赖于浅层网络的学习能力。换而言之,浅层神经网络获取到的某些显著性目标特征可以被传递到深层中继续学习和优化。本章将这部分信息称之为前景信息。而如果浅层神经网络未能学习到某些显著性特征,那么深层网络难以再检出或者恢复这些特征。也就是意味着这部分特征被“隐藏”在了背景信息中。最终,显著性目标部分区域的缺失会导致模型预测结果不完整。为了能够综合考虑前景和背景信息从而检测到完整显著区域。以及基于注意力机制模型能够针对显著性检测中已获得的特征信息优化的作用,本章提出了基于互补感知注意力的显著性检测算法。具体地说,本章的网络包括两条分支:用于检测特征图前景信息的正注意力机制和用于检测特征图背景信息的负注意力机制。本章将正注意力机制与负注意力机制输出的特征图融合来修正原始模型不完整的预测结果。此外,为了能够充分获取多尺度、多层次的显著特征,本章引入了双向结构和多层级监督。实验表明,本章提出的算法在显著性目标检测评估指标上有良好的表现。（2）如何充分利用显著性目标的特征信息一直是显著性检测研究的重点。但是由于工作一仅考虑到前景和背景互补,而由于显著性目标检测卷积神经网络的不同卷积层具有不同性质的特征信息。此外,检测网络的同一特征图的不同通道的特征信息也有区别。上述的特征信息的互补利用有助于最终预测结果的准确性。所以针对于此,本章设计了一种基于通道注意力分层U形网络的显著性检测网络。该网络包括了平行空洞卷积模块和多级联通道注意力机制反馈模块。具体来说,平行空洞卷积模块的作用是为了不增加卷积采样计算量的情况下扩大卷积感受野,以捕获更多的显著性特征。本章设计多级联通道注意力机制反馈模块的初衷是使不同卷积层的显著性特征互补,以及形成同一卷积层中不同通道间的特征图内部依赖关系。进而更好的利用不同卷积层和通道的显著性特征信息。此外,为了能够充分监督神经网络中间层的学习,本章采用了基于交叉熵函数的多层级监督。实验表明,本章算法在显著性目标检测评估指标上具有优异的表现。（3）工作一和工作二都是针对于静态目标的显著性检测其属于显著性目标检测基础任务,该类任务无法针对于动态目标进行检测。而视频显著性目标检测任务是显著性目标检测研究中的一个高阶任务可以对动态场景进行检测。因为视频任务不仅需要考虑空间维度中目标的显著性特征,还需要考虑帧与帧之间在时间维度上的互补依赖关系。因此需要将空间信息和时间信息综合互补利用。所以本章设计了一种时空互补的图卷积视频显著性检测网络模型。该检测网络能够将单帧中的空间信息和多帧间的时空信息综合使用。在提取单帧中的静态空间信息时,本章运用了前景和背景先验知识和图卷积理论,并将它们提取到的特征融合成互补信息。在提取多帧间的时空信息时,本章算法摒弃了先前利用LSTM,3D卷积和光流法等时空信息提取方式。而是全新设计了一种时空注意力机制模型。该模型能够基于同一段视频中的多帧信息学习他们之间的关联特征。此外,本章还设计了一种局部双向的结构,该结构目的是充分学习显著性目标的表征。实验表明,本章算法在视频显著性目标检测评估指标上具有优异的表现。此外,本章的模型的实际处理速度达到了23帧每秒。