具有编码和解码结构的卷积神经网络在语义分割任务中表现出强大的表征能力,并在显著性检测领域得到了广泛应用。在大多数情况下,利用Image Net数据集上预先训练过骨干网的参数,附加到其他任务的网络架构上,对新的数据集进行重新训练,以使神经网络更好地适应新的任务。但是重新训练会削弱预先训练的骨干网的泛化能力,特别是在新训练数据集规模不大的情况下,容易导致过拟合。为了在泛化和精确性之间取得平衡,进一步提高编解码结构网络在显著目标检测中的性能,我们提出了一种骨干增强网络。该框架采用双骨干网结构的编码器来提取更加多样的特征映射,同时还包括一个基于改进Res2Net的连接模块,用于有效地融合来自两个骨干网的特征映射;以及一个基于加权多尺度反馈模块的解码器,用于执行同步学习。通过对编码器,连接模块,解码器三方面的改进,提升网络整体计算能力。我们的方法在6个公共数据集上进行了广泛的评估,实验结果表明,在没有任何额外监督的情况下,与现有最新方法相比,我们的方法有了显著的改进。另外,我们还探讨了显著实例分割任务,这是显著目标检测的拓展领域。通过结合目标检测网络结构,生成边界框,进而可以在语义分割网络的基础上,输出高质量的实例级图像分割。考虑到显著物体中每个目标都是类别无关的,我们重新设计了显著目标检测网络,增加了检测分支,改进了分割分支。我们的分割分支不仅关注每个检测窗口内的像素信息,还关注边框界周围的像素信息,通过赋予过渡权重,更好的将显著前景和非显著背景区分开来,提高了网络分割实例的准确性。我们根据公开基准数据集评估了我们的方法,并表明它优于最新的解决方案。最后我们针对每个模块进行了消融研究,对网络的组件进行深度的解析,探讨了性能提升的方法。