显著性目标检测旨在从复杂的自然场景中定位并分割出最吸引人类视觉注意的区域,利用显著性目标检测技术可以有效的从大量图像数据中筛选出有用信息,加快图像处理进程。近年来,由于深度学习的高效性,许多基于深度卷积神经网络的模型被提出来检测视觉显著性目标,将显著性检测性能提升到了新的高度。因此,本文基于深度学习,针对深度模型中存在的一些问题与挑战,对显著性目标检测算法展开了研究。针对现有深度模型中存在的目标边界粗糙问题,以及多尺度特征之间的语义差异性和浅层语义不足的问题,本文提出了一种基于语义增强和边界细化的模型。该模型首先通过语义增强模块扩展深层特征的感受野,增强了特征的语义表示。然后通过交叉特征融合来提高像素显著性的一致性,并自适应地选择互补信息。最后受益于独立的边界预测任务、边界-区域补足特征以及边缘聚焦损失,该模型进一步修正了区域分割和边界判断误差,提升了边缘像素点的置信度,进而分割出具有清晰边界的显著性目标。考虑到自顶向下结构中复杂的连接导致的冗余信息被反复引入和庞大的参数量,本文提出了一种结构简洁但高效的多感知并行融合网络。该网络使用具有不同空洞率的卷积组,在不增加太多网络参数的同时,赋予来自骨干网络的各组特征多重感知能力,进而提升模型对图像上下文的理解。此外,该模型摒弃繁琐的自顶向下结构,采用简洁的并行融合方式。相比于流行的自顶向下融合结构,该并行融合策略逐次选择相邻层的特征,在弱化特征差异带来的影响的同时,使多尺度特征更好的交互。在五个广泛使用的显著性目标检测数据集上的评估结果表明,与其他先进方法相比,本文提出的两种模型均取得了最优秀的性能,在相对复杂的场景下也都有较好的推理表现。