近年来，随着人工智能行业的大力发展，计算机视觉得到了广泛的研究，图像显著性目标检测可以进行图像的预处理，将图像处理的过程简化，显著性检测显得更加重要，它能够检测出图像中人们注意的区域，将图片中有用的信息筛选出来，减少了运算量的同时还提高了计算设备的运算速度，节省了计算时间并提高了工作效率。该文主要从图片判别区域特征与标签传播融合、深度特征与传统扩散随机游走融合和神经网络局部特征增强三个方面对图像显著性目标检测进行了研究。
　　首先，为了提高图片在复杂场景下检测的准确率与鲁棒性，该文提出了一种融合判别区域特征与标签传播的显著性目标检测算法。利用判别区域特征方法形成一个判别区域特征显著图；同时利用标签传播算法得到的标签传播显著图对判别区域特征图进行优化；通过一个指数函数将两者融合形成最终的目标显著图。该方法使其目标区域更加突出，背景区域得到更多的抑制。
　　其次，为了解决图像显著性检测中传统机器学习方法特征学习不全面、复杂场景下显著区域突出不明显的问题，该文提出了一种基于多级深度特征与随机游走的显著性检测方法。利用全卷积神经网络结合深层和浅层特征信息提取图片的多级卷积特征；并对图片进行超像素分割，将提取的深度卷积特征分配给相应的超像素，构建特征矩阵；将得到的特征矩阵利用正则化随机游走排序模型生成最终的显著图。该算法结合了卷积神经网络显著性检测方法和传统显著性检测方法的优点，不需要进行大规模的模型训练，也取得了比传统方法较高的准确率。
　　最后，为了提高神经网络特征利用率，该文提出了一种局部特征增强学习的显著性目标检测算法。该文通过改进的VGG16网络模型组合局部和全局信息，利用多尺度上下文特征提取模块有效的整合多尺度的特征，更加完整的提取图片细节信息，使得显著图结果更加准确。