图像的显著性目标检测是为了解决计算机视觉模拟人眼视觉的问题,即检测出人眼首先注意到的区域。显著性目标检测旨在突出图像中视觉上显著的目标区域,该算法被广泛应用于医疗,运动和人工智能等各个领域。本文系统研究了多种基于深度学习的显著性目标检测模型,使用全卷积神经网络(FCNs)进行显著性目标检测,相比于卷积神经网络(CNNs)具有更大的优势,然而现在大多数基于FCNs的算法都存在着显著性目标边缘信息丢失的情况。为了解决这个问题,论文提出了一种提取显著性目标边缘信息特征,融合多层次显著性目标特征的改进模型。首先,去掉了模型网络的短连接结构,提取网络各个阶段卷积层的侧输出图像,其中浅层的侧输出具有丰富的边缘信息特征,更深层的侧输出虽然丢失了显著性目标的边缘信息,但却突出了显著性目标的位置信息特征。使用图像前背景分离算法进一步细化显著性目标图,实验结果表明可以提取一些图像的显著性目标边缘特征,但对于前景和背景颜色相近的图像鲁棒性较差。为此使用改进的U-Net网络,对浅层侧输出进行显著性目标边缘精细化分割。模型充分利用不同尺寸的目标特征,在不同侧输出下分别提取显著性目标边缘特征与显著性目标空间位置特征。最后将显著性边缘特征和显著性目标位置特征耦合起来得到最终显著性目标区域。实验结果表明,该算法在六个广泛使用的数据集上,在没有任何预处理和后处理的情况下,与现有的算法相比,具有更好的性能。