随着高性能计算设备的不断升级,大数据时代到来,人工智能领域获得了长足发展,其中深度学习技术已经成为当前的研究热点并获得了广泛的应用,已经成为计算机视觉领域主流算法。在计算机视觉众多的分支中,如分类任务,检测任务及图像分割等,目前最优秀的算法就是深度神经网络(DNNs)。而卷积神经网络(CNNs)无疑是深度神经网络结构中最引人注目的一种,当前绝大部分的图像相关任务都会选择应用这种结构,卷积神经网络结构是一种典型的数据驱动的算法,需要利用大规模的数据进行训练,数据标注需要耗费大量、昂贵的人力成本,这无疑是限制了算法在其他领域的泛化。显著性识别算法在数据标注过程中可以有效的减少成本,在研究相关问题中,我们提出了一个新的显著性识别算法结构。尽管现存的基于CNN网络的结构,已经可以达到较高的检测准确率,但大多数无法有效利用多尺度的特征和全局语义信息。本文基于此认知可以进一步挖掘算法潜力,提出新的显著性目标识别结构--门控双金字塔网络结构。结构主体包含特征金字塔网络(FPN,Feature Pyramid Network)以及金字塔池化模块(PPM,Pyramid Pooling Module)两部分分别捕获多尺度金字塔层级特征和全局语义信息。我们基于此特征进行改进,设计了“交叉门”结构和“单一门”结构两种门控策略分别应用两种金字塔网络模块中,去除掉隐特征信息中的不显著目标信息等无关信息。我们通过五个显著性识别任务的主流基准数据集进行实验,有竞争力的实验结果验证了我们研究的准确性。结构参数的冗余和巨大计算代价严重制约算法的落地应用,本文针对网络结构内部参数的冗余进行了分析,研究当前较为通用的网络轻量化技术,设计了一种由多方式联合的网络轻量化方案。针对提出的门控网络结构特点,在网络训练完成后进行网络剪枝,在不损伤网络性能过多的前提下大幅度减少网络参数数量,并在此基础上进行二值化或三值化参数量化。这种方法的优点在于可以在不变更网络结构的情况下,减小网络尺寸,加快网络运算速度,具有部署应用的价值。