显著性检测是计算机视觉领域非常重要的基础研究课题之一。在计算机视觉研究中,人类的视觉注意力机制对于理解图像或者视频中显著性物体起到重要的作用。通过人类的视觉注意机制可以在复杂的场景中相对准确且快速地发现和选择我们感兴趣的视觉目标。因此,如何更有效模拟人类视觉注意力机制高效提取显著性目标是当前计算机视觉非常重要的研究方向。随着深度学习在计算机视觉领域的广泛应用,众多不同的显著性检测方法涌现出来。虽然以往方法可以取得不错的显著性检测效果,但是对于一些显著性物体细节处理等方面还不能令人满意,如显著性目标的边缘不够精细化、显著性图存在背景干扰等一系列缺陷。针对当前方法存在的不足,本文从显著性检测本质出发,提出两种新的显著性检测模型来改进目前显著性检测中存在的问题,具体研究内容如下:1)本文提出了一种基于眼动点预测先验的边缘细化网络用于显著性目标提取。眼动点预测可以更加贴合人类的视觉注意力机制,有利于快速准确地从复杂图像背景或者前景模糊的图像中提取出人眼注视区域。首先,对输入图像进行眼动点预测,生成的特征图像作为后续显著性检测的视觉先验;其次,利用多注意力机制VGG-16网络进行显著性目标特征提取;最后,对特征图像进行质量优化处理,进一步提升图像显著图的质量。实验结果表明,在3个公开数据集上,本文的方法与其它6个主流方法相比取得了更好的显著性检测效果。2)提出了一种基于Res Net网络和U-Net网络相结合的显著性检测模型。该模型首先对原始图像运用Yo Lo V3进行图像预处理,有效去除图像中的背景干扰。然后将处理后的图像放入到端到端的图像显著性检测深度网络之中,该网络编码器网络采用去除了全连接层的Res Net网络;之后运用多尺度级联-通道注意力模块进行特征的提取、细化,最后解码层设计为与编码层相近的上采样模型实现高质量显著性图像的生成。在三个公开数据集上的实验表明,本文的方法优于实验对比中的其它代表性显著性检测方法。总之,本文针对已有显著性检测方法存在的不足进行了改进与提升,探究应用深度学习与视觉注意力机制有效提升图像显著目标检测效果。通过构建两个深度学习模型,不仅在整体上有了很好的提取效果,而且在边缘细节、背景等处理方面也得到了一定的提升。实验证明本文提出的方法可以获得比多数现有的显著性检测方法更加准确的结果。