显著性目标检测是指检测图像中最显眼的区域,并生成显著图,从而帮助人们快速有效获取有用信息。图像经过显著性检测处理,一方面能减少冗余数据的处理,节省存储空间,提高计算效率,降低时间成本;另一方面这些经过处理的区域和具体对象可以代表一类场景,使计算机学习到复杂的场景理解问题。现阶段多数显著性检测方法利用的是神经网络,经过卷积操作提取图像特征。然而大量的卷积和池化操作,会使图像的底层、细节等特征丢失,造成检测的显著目标不完整。为此,本文提出了底层特征融合及深层次边缘监督的模型,将卷积操作的特征经过融合结构融入解卷积层各个阶段,同时每层解卷积输出端使用边缘与显著性联合监督机制进一步对边缘进行强化。实验表明边缘检测与显著性检测有一定关联,为利用这种关系使边缘检测提升显著性检测效果,本文提出了基于边缘检测的显著性检测模型。该模型分为两部分,即边缘检测网络分支和显著性检测网络分支。将边缘检测网络分支中的每个侧输出融合进显著性检测网络分支中,通过边缘融合模块进行融合。此外,本文设计了自定义的解卷积操作模块,以将边缘融合模块的输出与卷积操作的特征进行融合,使网络充分学习各阶段不同层次的特征。本文所提的两个算法均在显著性检测领域的六个公开数据库上进行测试,并与该领域的14种经典算法进行了对比分析。实验结果证明本文的两种算法的性能均取得了令人满意的效果。