人类视觉系统能实时处理复杂的环境信息,并使我们的注意力集中在感兴趣的区域,忽略掉不感兴趣的区域。在计算机视觉领域,我们把这些吸引人类视觉的区域称为显著区域。在解决深度图像(RGBD图像)的显著性检测问题上,深度信息在区分显著前景和杂乱背景时扮演着重要角色。作为对彩色信息的补充,深度信息的质量直接影响着随后的显著性检测效果。受深度信息采集设备和人为因素的限制,不同场景下获取到的深度信息质量变化很大。为了解决这个问题,本文尝试估计一个高质量的附加深度图。作为对原始深度信息的补充,新深度图将被输入全新设计的选择性融合网络,以提高显著性检测的性能。为了实现上述目标,本文首先通过图像检索技术得到一组和输入图像相似的深度图像,然后建立相似图与输入图像间的局部与区域映射关系,之后利用图像间的对应关系迁移相似图像集的深度信息,最终得到粗估计深度图。接下来,本文构建了一个精细的物体级映射关系,同时利用显著性的先验知识进一步提高新深度图的质量。最终,本文将原始深度信息和估计深度信息输入到全新设计的选择性深度融合网络中,完成对深度图像的显著性检测。本文的主要成果可归纳如下:(1)提出了一种多尺度算法来计算可靠的估计深度图。当RGB信息和相机深度信息都不能将显著对象与其非显著的近邻环境分开时,新估计的深度图可以弥补RGB和原始深度信息的不足,提高显著性检测算法的精度。(2)设计了一种全新的深度选择性显著信息融合网络,新设计的融合网络可以计算RGB信息、原始深度信息和新估计深度信息之间的最优显著性融合。