传统的显著性目标检测方式依赖领域专家提供先验知识人工提取特征,基于深度学习的显著性目标检测方式相较于传统检测方式可以自动学习多尺度特征,具有省时省力的特点。但是在受限存储设备下仍存在模型过大导致部署不便,模型训练周期较长、检测的实时性有待提高,复杂背景下模型对于显著性目标的定位不准确、边缘模糊等问题。因此如何以更低的时间和空间复杂度,高效且准确的定位分割出显著性目标物体成为显著性检测研究中极具挑战的任务之一。针对上述问题,本文主要采用基于深度学习的方式对图像的显著性目标检测进行探索与优化。本文的研究内容主要分为以下几点:（1）首先对基于池化技术语义增强的显著性目标检测模型编码端设计较为轻量级的网络结构压缩模型,减少网络参数大小。通过实验对比分析,优化后的模型在精度略有下降的同时参数量降低了13%,模型大小减少至原来的85%,推理速度相较于原网络提升了10～15FPS,模型的训练时间仅为原来训练周期的1/2左右。（2）针对复杂背景下模型定位不准确、边缘模糊等问题,本文通过探究基于边缘引导的网络模型解码端进行优化。在模型压缩方面,提出SSSFEM和ISFCREM两种压缩补偿模块将精度损失控制在1%左右的前提下将模型大小分别减少了300MB左右,模型大小仅为原来的1/4左右,提升了模型推理速度。同时在ISFCREM模块上使用新的优化器通过参数调优,新模型的训练周期仅为原模型的近一半时间就可以平稳收敛到全局最优。在精度补偿方面,通过引入卷积注意力模块、外部注意力机制与传统和已有的深度学习方法在DUTS、DUTOMRON、MSRA10K、PASCAL-S、SOD、ECSSD、HKU-IS七个公开显著性目标检测数据集上实验对照分析,其中卷积注意力模块在S-Measure检测中最大有2～3%的提升。（3）从应用的角度出发实现了基于显著性目标检测的在线检测系统。用户登录该系统后可以自定义训练模型,通过日志实时显示当前训练状态。同时用户可以将自定义的图像上传至系统,系统后端通过已经训练好的模型进行实时显著性检测,系统前端展示相应推理的可视化结果并且基于显著性目标检测实现了证件照背景一键切换与复杂场景下显著性目标场景切换的功能,用户可以根据历史记录下载对应的检测记录信息。