伪装是自然界中的一种重要防御机制,它可以帮助一些物种隐藏在周围环境中,以避免引起其他物种的注意。这种机制也被广泛应用在人类生活中,例如服装设计和艺术创作。最近,从图像中识别并分割伪装物体,即伪装物体检测（Camouflaged Object Detection,COD）,得到了计算机视觉领域的广泛关注。由于伪装物体与其周围环境之间具有高度的相似性,导致识别和分割伪装物体存在较大困难。此外,伪装物体的外观差异较大（如:大小、形状等）,这进一步增加了伪装物体检测的挑战性。针对上述困难与挑战,本文提出了两种不同的伪装物体检测方法,并在相关数据集（CAMO、COD10K和NC4K）上与现有方法进行对比,验证了两个方法的可行性和有效性。本文的主要研究工作如下:（1）本文提出了一个上下文感知跨层融合网络（Context-aware Cross-level Fusion Network,C~2FNet）,该网络能够提取丰富的上下文信息并进行有效的跨层特征融合。具体而言,本文首先设计了一个注意力诱导的跨层融合模块,将多层次特征与信息性注意力系数相结合。随后,设计了一个双分支全局上下文模块,挖掘融合特征中丰富的全局上下文信息。两个模块以级联的方式作用于高层特征,用于预测伪装物体。在三个广泛使用的基准数据集上进行了相关实验,结果表明本文所提方法的性能优于其他方法。（2）本文提出了一个边界引导网络（Boundary-guided Network,BGNet）,该网络利用边缘先验信息来辅助恢复伪装物体结构,提升伪装物体检测的性能。具体而言,本文首先设计了一个边缘感知模块,用于整合低级特征和高级特征的优势,探索与伪装物体相关的边缘语义。随后,设计了一个边缘引导特征模块,该模块利用提取的边缘线索增强伪装物体特征,使模型更关注物体的边缘结构。最后,设计了一个上下文聚合模块,该模块通过构建多层次感受野,挖掘和聚合多尺度上下文语义,自顶向下融合多层次特征。在三个具有挑战性的基准数据集上进行了相关实验,结果表明本文所提方法的性能优于其他最先进方法。