在如今大数据技术蓬勃发展的社会,海量的数据需要被快速精简以满足实际需要,而人类视觉机制给数据处理算法提供了范例。视觉系统可以快速在图片中找到感兴趣对象,并回传给大脑进行下一步处理,在计算机中引入视觉系统的注意力机制,可以极大的提升计算机的性能。视觉注意力机制中的显著性计算可以提供定位显著前景,排除背景的快速计算能力,并准确地完成各种图像分析任务,在多种计算机视觉任务中被广泛应用。本文从显著对象检测的理论基础和目前方法存在的问题出发,重点研究了基于卷积神经网络的显著对象检测模型和结合图像修复的显著对象分级框架。首先,本文针对现有显著对象检测方法检测小对象,模糊对象效果较差的情况提出了一种基于卷积神经网络的图像显著对象检测模型MSC-Net。该模型采用了本文设计的多尺度融合模块,多尺度池化模块和联合损失函数。其中多尺度融合模块为神经元提供了不同感受野大小的卷积核,多尺度池化模块将浅层信息直接传导至深层,联合损失函数用交并比损失函数惩罚错误的像素,用结构相似度损失函数约束图像的边界。实验结果表明本文提出的端到端的网络MSC-Net能够实现准确度较高,边缘清晰的显著对象检测,同时经过在公开数据集上和其他算法的对比发现MSC-Net在主观和客观上的表现都具有一定优势。为了进一步扩展显著对象检测技术的应用,本文提出了结合图像修复技术和显著对象检测技术的显著对象分级检测框架,可以通过显著对象检测与图像修复的迭代完成显著对象的分级。其中显著对象检测部分的模型采用了MSC-Net,并且训练集中新加入了自己拍摄的图片以贴近实际使用。图像修复部分在基于深度学习的图像修复网络基础上改进了多损失函数,取得了更好的修复效果。该框架无需特别标注的训练集就可以对图片中显著对象进行分级检测,为分级问题提供了一种有效的解决方案。