显著目标检测是指借助于数学建模的方法,按照人类视觉系统去定义和分割图像中最引人关注的目标区域。同时它也可以视为一种预处理技术去解决其他领域中目标与背景的分割问题,此时研究显著目标在杂乱环境下的检测就显得比较重要。受到单模态RGB图像信息量的限制,显著目标检测的性能虽然还在不断地提高,但是提高的速度正在逐年减缓,并且趋向于一种饱和的状态。随着带有深度相机的智能手机和高性能计算设备的普及,深度图像的采集和处理变得更加便利,这为研究基于多模态的显著目标检测提供了新的机遇。在背景较为杂乱的场景下,当前主流的显著目标检测方法却表现得不能令人满意。借助于多任务学习的方法,结合显著目标检测和显著目标存在预测两个子任务去解决杂乱环境下的显著性检测,是一种有效的思路。本文对基于多模态和多任务的显著目标检测方法进行了系统深入的研究,主要工作内容及创新点总结归纳如下:(1)设计了一种基于多级上采样融合的强监督RGB-D显著目标检测方法。该方法通过上采样融合模块为特征融合提供了更多的跨模态融合路径,并结合强监督残差模块减少了多模态特征融合的模糊性,增强了充分性。(2)设计了一种基于显著目标存在预测的显著目标检测方法。该方法由显著目标检测和显著目标存在预测任务组成,基于多任务学习的联合训练成功减少了模型的假阳性率,提高了模型在杂乱环境下的检测效果。(3)设计了一种基于自适应选择训练的显著目标检测方法。自适应选择训练算法基于多任务学习利用图像级的标签自动选择所需的显著图计算损失并训练模型,使模型在识别出非显著目标的同时,减弱非显著图像对模型的干扰。