光学遥感图像显著目标检测旨在准确地检测出光学遥感图像中最显著的目标或区域,可以为其他光学遥感图像任务提供一种重要的预处理方式,因此光学遥感显著目标检测的研究具有较大的理论和应用价值。因为光学遥感图像是遥感卫星或飞机上摄像机以俯视角拍摄,并且成像受到气候影响,所以光学遥感图像显著目标检测存在目标边界模糊、背景复杂、目标尺度差异大等挑战,因此检测出的显著目标往往存在不够准确、不够完整的问题。同时,已有的光学遥感图像显著目标检测数据集规模小、挑战简单,且数据缺乏多样性。基于上述问题,本文制作了一个新的光学遥感图像显著目标检测基准数据集,并提出了两个基于双流卷积神经网络的光学遥感图像显著目标检测方法。第一,由于已有光学遥感图像显著目标检测数据集中大多数显著目标都位于图像的中心,有清晰的边界和纹理,使得数据集挑战性不足。因此,本文构造了一个规模更大、更具有挑战性的光学遥感图像显著目标检测数据集ORS-4199,它包含了各种尺寸的目标和更多复杂场景。在此基础上,本文提出了基于区域和边界的双流网络用于光学遥感图像显著目标检测,通过优化显著目标的边界来学习更鲁棒的多尺度区域特征。首先,本文设计分层注意力模块提取显著目标的多尺度特征;其次,通过结合局部线索和金字塔池化模块生成的全局信息来生成边界特征;最后,将边界特征嵌入到多尺度区域特征中。特别地,本文设计了一种基于双向特征变换的联合学习方案,可以同时优化边界和区域特征,以实现准确的光学遥感图像显著目标检测。在多个数据集上的实验表明,与近几年先进的方法相比,本文方法检测出的显著目标具有更准确的边界。第二,本文提出了基于前景和背景交互的双流解码网络用于光学遥感图像显著目标检测。以往方法通过单一的前景检测任务很难准确检测出完整的显著目标。针对这个问题,本文设计了两个解码器,分别用于前景检测任务和背景检测任务。为了减少因不同任务学习到的特征差异太大造成网络失效,因此这两个任务之间设计了注意力引导双任务学习模块,目的是使得前景特征和背景特征之间联合学习、互相优化。此外,本文还设计了一个语义增强模块,使用高层的语义特征能够增强低层特征,帮助最终预测出更加准确的显著图。大量实验表明,所提出的网络方法在已有的三个数据集上的显著目标检测效果均优于多个最先进的显著目标检测方法。