显著目标检测是计算机视觉领域一个重要研究任务,目的是通过分析图像内容快速检测和分割出最突出的对象或区域。显著目标检测可以作为其他图像算法的预处理算法为其提供更高级的语义信息,因此对图像显著性进行深入地研究具有重要的意义。目前,深度卷积神经网络因其强大的非线性表达能力已在图像处理领域中取得了极大的成功,然而当前的算法依然存在以下问题:1)目标轮廓和精细结构分割不清晰;2)网络对于图像显著特征的提取和融合不充分;3)关于视觉显著性的研究还局限于目标检测问题,显著性相关的话题如深度显著性、显著性排序等问题亟待进一步研究。本文在现有研究的基础上,对视觉显著性检测和显著目标分割展开深入研究,主要工作内容包括:1.提出一种基于轮廓自补偿网络的显著目标检测算法(CSCNet),从三个方面对网络进行轮廓信息补偿:第一,使用超像素图谱作为辅助输入项,强化目标轮廓;第二,将显著目标检测问题重构为以背景、对象和轮廓为标签的三分类问题,利用轮廓标签监督网络训练;第三,基于背景、目标及其轮廓的空间关系,提出了一种轮廓惩罚损失函数。本文在七个标准数据集上评估了提出的CSCNet的特性,结果表明在不添加过多的卷积层和参数的情况下,本文所提出的CSCNet能够更有效地保证目标轮廓的完整性,具有更优异的检测性能。2.提出一种基于特征注意反馈网络的显著目标检测网络(AFFNet)。通过多尺度特征融合模块和信道注意模块对低层特征图谱和高层特征图谱分别进行获取和融合,并利用特征注意模块以反馈网络的形式将特征图映射特征提取网络中,提升网络提取特征信息的能力。本文在六个标准数据集上评估了提出的AFFNet的特性,实验表明本文所提方法对于显著目标的预测具有更好的鲁棒性和泛化能力。3.在商业智能应用程序对商店中产品的吸引力评估的驱动下,本文研究了一个新问题-显著对象分级,提出一种像素级对象顺序分级方法(POC)。该模型包括一个多尺度显著性检测器用于检测和分割显著对象,一个顺序分类器用于将对象划分为不同显著性等级,以及一个二分类显著性增强器用于增强非显著等级与其他所有显著等级之间的差异。本文利用视觉注视数据集和多目标分割数据集构造了两个带有显著级别标签的新图像数据集,分别为SALICON-OR和ILSO-OR。实验结果表明:一方面POC算法不仅可以有效地估计图像内对象的显著性顺序,而且可以提供图像间对象的显著性分级,另一方面,POC算法的排序信息有助于改善对二值显著目标的预测,使其在传统显著性检测数据集中具有良好的性能表现。