计算机视觉的持续发展离不开各种计算机视觉任务算法性能的提升。显著性物体检测旨在模拟人眼的视觉选择性注意机制,能够捕获图像中最为显著或重要的物体和区域,排除图像中无关内容的干扰。因此,显著性物体检测能够有效用于提升包括图像和视频压缩、图像分割、图像识别、图像合成和图像检索等计算机视觉任务的模型性能。为了能够有效辅助这些计算机视觉任务,显著性物体检测模型需要具备极强的泛化能力,并且能够同时提取准确细致的显著性区域。然而,现有的显著性物体检测方法存在一系列尚未解决的关键问题:卷积神经网络中因大量下采样操作造成的尺度空间问题、弱监督场景下难以提取准确和完整的显著性区域以及显著性物体分割方法容易造成不完整显著性物体分割结果。本文研究了有效的方案用于更好地解决这些问题。（1）针对卷积神经网络中因大量下采样操作造成的尺度空间问题,本文利用超像素分割同时为显著性物体检测引入显式边缘和区域信息,并提出了基于超像素注意力引导网络的显著性物体检测方法。具体而言,本文基于深度超像素聚类方法构建了超像素注意力模块提供显著性前背景分离并且保留显著性物体准确边界的超像素注意力图。在超像素注意力图的引导下,具有简单但有效结构的轻量级解码器就能够输出具有准确显著性物体边界的高质量显著图。（2）针对弱监督场景下难以提取准确和完整显著性区域的问题,本文利用双边界框弱监督标签提出了基于双物体候选框引导的弱监督显著性物体检测方法。双物体候选框是在双边界框标签的监督下产生,能够使得模型同时捕获准确但不完整的显著性前景和背景信息,有助于生成显著性前景区域被均匀高亮并且背景区域被有效抑制的高质量显著图。（3）针对显著性物体分割方法因缺乏对边界信息的考虑容易造成不完整显著性物体分割结果的问题,本文提出了基于非参数活动轮廓模型的无监督显著性物体分割方法。本文求解了先验分布非参数活动轮廓模型,并从先验分布、初始化方法和梯度下降流方面进行改进。这些改进使得本文提出的显著性物体分割方法能够分割出具有更加完整和紧凑边界的显著性物体。