人类视觉系统对于外界信息的处理精确而复杂,可真实而高效地感知外部环境,进而快速而准确地识别出不同场景内的目标。近年来,更多学者开始探究生物视觉感知高效性的内在机理,借助神经科学形成了相应的衍生理论如深度学习等,并将其运用到图像的相关目标检测任务中。本文从实际应用出发将图像目标具体化,首先面向自然图像中的目标轮廓,构建双侧注意通路交互响应与融合模型;接着面向视网膜图像中的目标血管,构建双通道非对称卷积神经网络模型;最后面向眼底病变图像中的目标出血点,将血管检测任务中的网络模型调整后迁移到该类检测任务中。本文的主要研究内容如下:（1）建立双侧注意通路交互响应与融合模型,并将其应用到自然图像的目标轮廓检测中。首先根据视皮层下神经元的颜色拮抗机制,构建一种基于局部亮度特征的单拮抗动态调节模型,实现亮度边界和颜色边界的联合编码;接着模拟初级视皮层经典感受野的多方向微动机制,利用最佳方位区间的多方向微动来实现方向选择的精细化;然后结合视觉注意机制与视觉信息双侧分流机制,构建基于双侧注意通路的视觉信息交互响应模型,分别获取背侧空间显著轮廓和腹侧神经元稀疏响应;最后引入高级视皮层的多通路信息融合机制,通过背侧流与腹侧流之间的信息差异来增强显著轮廓。以BSDS500、NYUD、Ru G40图库中的自然图像作为实验对象,选用全局最佳（ODS）、单图最佳（OIS）、平均精度（AP）及F值作为评价指标。结果表明,相较于SCO、SED、BAR等主流方法,本方法的准确性更高且稳定性更好;同时BSDS500数据集上的ODS、OIS、AP分别为0.69、0.71、0.70,整体性能优于对比方法。（2）建立双通道非对称卷积神经网络模型,并将其应用到视网膜图像的目标血管检测中。首先根据眼底血管的形态差异,分别建立主/细血管特征提取模块,在血管方向最佳匹配角下采用多尺度的二维Gabor滤波器,自适应地提取表征目标特性的主/细血管特征图;然后考虑到单通道网络结构不利于粗细血管的统一表征,在U-Net基础上构建双通道网络模型,其中主血管分割网络（Main Segment-Net）采用逐级连接模式对主血管进行快速定位和分割,细血管分割网络（Fine Segment-Net）采用空洞卷积和跳跃连接相结合的模式对细血管进行精细提取;最后将非对称结构的双通道网络模型结合,以细血管分割图补全Main Segment-Net分割过程中被忽略的细节信息,实现双通道之间的信息互补。以DRIVE、CHASE＿DB1数据集中的眼底图像作为实验对象,选用准确率（Acc）、灵敏度（SE）、特异性（SP）作为评价指标。结果表明,相较于U-Net、CDNet等主流方法,本方法的分割结果在主体上更加完整且连续;同时DRIVE和CHASE＿DB1数据集上的Acc、SE、SP分别为96.3%、87.45%、98.23%和96.94%、89.16%、97.94%,分割精度优于对比方法。（3）为验证本文Fine Segment-Net模型的适应性,将其融合注意力机制并应用到眼底病变图像的出血点检测中。首先根据眼底出血点的局部特征和尺寸差异,构建数据预处理模块,利用CLAHE算法对暗病灶区域进行局部增强和对比度限制;同时通过高斯金字塔对特征增强后的病变区域进行尺度分解,利用多尺度层次的局部特征来表示尺寸不一的出血点。然后改进Fine Segment-Net模型,依次将多尺度特征增强图作为输入;同时引入注意力模块替代原本的跳跃连接模块,通过多次卷积运算和Re Lu函数激活来实现编解码路径之间的跨级连接。最后将不同尺度的出血点预测图融合,以不同分辨率的像素叠加来得到目标出血点。以IDRi D、DDR数据集中的眼底病变图像作为实验对象,选用Acc、SE、SP作为评价指标。结果表明,本方法的检测结果较为全面且准确;同时Fine Segment-Net模型在多尺度病理特征融合下得到的出血点,相较于单尺度具有更好的检测效果。