显著性目标检测,作为计算机视觉领域的基础研究问题之一,旨在对场景中的视觉显著性区域进行准确定位,并输出精细的目标分割图,是一项极具挑战性的研究课题。显著性目标检测能够模仿人类的视觉注意力机制,提升系统在海量数据场景下的图像理解能力,在计算摄影、医学影像、图像编辑、视频监控等领域具有重要的应用价值。深度神经网络的提出大大提升了显著性目标检测任务的性能。但复杂场景下,现有算法容易被嘈杂的背景、相似的纹理所误导,输出残缺的物体轮廓或不精准的目标定位,限制其进一步应用落地。本文提出了三个改进思路,来进一步提升显著性目标检测算法的性能和效率:1)使用层次化建模的手段,丰富多粒度的特征表达。2)赋予神经网络样本自适应的推理能力,适应复杂视觉场景。3)对RGB-D显著性目标检测中的深度图进行显式的修正,削弱噪声样本对算法的负面影响。基于以上三点,本文从层次化建模的角度出发,针对两种任务场景,设计了两个显著性目标检测算法模型:1.针对RGB显著性目标检测任务,本文综合考虑一二两点,设计了一个生成参数式的层次化显著性目标检测网络（SHNet）,使用先验知识引导的层次化建模模块,对显著性目标内不同区域进行层次划分,进而建模区域自适应的多粒度特征。此外,SHNet中还包含一个样本自适应的参数生成模块,用于为网络的解码器生成卷积核参数,进而建模不同样本间的多样化差异。最终,SHNet在五个常用数据集的多种实验设置下均达到了State-of-the-art的性能指标,并且在计算量和性能上达到了较高的平衡。2.针对RGB-D显著性目标检测任务,本文综合考虑一三两点,设计了一个深度修正的层次化RGB-D显著性目标检测网络（DHM~2Fv2）,根据深度信息对场景区域进行层次化分,进而建模空间分布敏感的显著性特征。此外,DHM~2Fv2中还涉及一个深度图修正模块,来提供可学习的深度信息层次化计算方式,从而缓解低质量深度图带来的噪声干扰。最终,DHM~2Fv2在九个常用数据集上达到了State-of-the-art的效果。本文提出的算法网络为RGB与RGB-D显著性目标检测任务提供了新的解决方案,促进了显著性目标检测领域的研究发展。同时,这两个算法的设计思想也可以为其他计算机视觉任务提供启发,推动了层次化建模手段在图像感知领域的深入应用。