显著性目标检测对于图像理解的进步至关重要,并且已在各种计算机视觉和图像处理任务中展现出巨大的潜力。现有的显著性目标检测算法根据输入图像类型可以分为RGB、RGB-D和光场方法三类。不同于RGB数据,RGB-D和光场数据通过深度图、多视角图和焦点堆栈提供了场景的精确几何信息,如此丰富的几何信息可以为显著性目标检测在挑战性场景下提供有效的显著性特征。然而,显著性目标检测作为许多任务的预处理步骤,要求高效且通用。为此,需要克服以下三个实际问题:基于几何信息的数据集在规模、类别和图像类型方面上的不足,导致深度模型泛化性受限的问题;实际应用中场景几何信息获取不便的问题;高维度几何信息处理带来的高消耗计算资源问题。为了应对上述挑战,本论文的贡献如下:（1）构建大规模通用数据集（DUTLF-V2）,该数据集包含102个类别和4204个样本,可以同时支持RGB、RGB-D和光场显著性目标检测。（2）针对多视角图像获取成本高的问题,将显著性目标检测分解为两个子任务:光场多视角合成和多视角显著性目标检测。首先提出了一个光场合成网络,以生成高质量的多视角图像,然后提出一种新颖的多视角显著性目标检测网络,以有效整合多视角显著性预测图。该方法在多视角数据集上表现优于其他最先进的RGB、RGB-D和光场方法。（3）针对焦点堆栈计算资源和内存消耗大的问题,提出非对称双流网络。首先设计教师网络通过学习焦点堆栈来满足台式计算机端的高需求,同时将全面的聚焦知识传输至学生网络中。其次提出两种蒸馏策略来训练学生网络,确保性能的同时,提高学生网络的内存使用和计算效率。教师网络在三个光场数据集上取得了最先进的检测结果,学生网络则取得了前四的准确率,并与最先进方法相比,学生网络将模型大小最小化了56%,帧率提高了159%。（4）针对深度传感器采集深度信息风险高的问题,提出一种深度蒸馏器（A2dele）,将网络预测图和注意力图作为深度知识传递的两座桥梁。在A2dele中,自适应深度蒸馏策略目的是实现RGB流所需的像素级深度知识传输,而注意力深度蒸馏策略致力于将定位知识传递至RGB特征中。本论文的RGB流在五个RGB-D数据集上取得了最优的性能,并与最先进的其他方法相比,将模型大小最小化了76%,帧率提高了11倍。此外,A2dele可应用于大幅度提升RGB-D方法的运行效率,并同时保持原有检测精度。