从上世纪80年代起,科学家们对计算机模拟人眼视觉注意机制的初步探索,到近年来,显著目标检测模型在主流商业产品中的成功应用,视觉显著性检测(Visual Saliency)一直以来都是验证人工智能理论的试金石。视觉显著性检测的研究目标是希望计算机通过显著性检测算法能够快速定位图像中吸引人注意力的显著区域,从而排除无关背景的干扰。目前主流的视觉显著目标检测方法可以大致分为两类:一类是基于图像超像素预分割的区域级(Region-level)显著目标检测算法,区域级显著目标检测方法一般能够较好的保持目标轮廓信息,但是在复杂场景下的检测效果较差。另一类是基于全卷积网络(FCN)的像素级(Pixel-level)显著目标检测算法,虽然该类方法能较好的检测出显著目标,但由于网络结构的局限性,基于FCN的显著目标检测方法会造成显著目标分割不精确、目标轮廓模糊等问题。针对以上问题,本文开展了如下几个方面的研究。针对像素级显著目标检测模型中显著目标分割不精确的问题,本文提出一种基于FCN改进的显著目标检测模型。通过引入扩张卷积和短连接等技术手段优化网络结构。并通过多模块自定义损失函数以及联合损失函数引导网络训练。对模型的检测结果的可视化对比分析表明,算法有效改善了模型的检测效果。针对区域级显著目标检测算法在复杂场景下检测效果较差的问题,本文提出一种基于背景修正和显著性扩散的显著目标检测算法。通过引入图像的物体特征信息来修正图像背景种子假设,提升基于背景先验的显著目标检测算法的检测效果。此外,利用基于特征分布统计的加权算法,优化基于扩散的显著性排序算法的相似度计算过程。为了进一步提高显著目标检测精度,本文提出一种多模型显著图融合优化方法,该方法充分结合上述像素级和区域级显著目标检测算法的各自优势,并利用显著度优化算法进一步细化显著图。在多个针对复杂场景设计的公开数据集上对上述算法进行了验证,相关实验表明本文算法在复杂场景下仍具有较好的检测效果。