显著性目标检测旨在让计算机能够自动检测出一幅图像中人眼最关注的区域,近些年来伴随着它特有的优势得到了越来越多人的关注与研究。作为一个预处理过程,它被广泛地应用在了计算机视觉范畴,包括图片压缩,视频概要,目标跟踪,人再识别等。尽管现在人们已经在该领域作出了突出成绩,但是依然还有许多地方需要改善。本文在两个显著性目标检测的主要研究方向分别提出了一种新型有效的方法,分别是基于传播方向的双随机游走显著性目标检测模型,以及深度学习方向的基于多任务学习的深度多层网络模型。在基于双随机游走的显著性目标检测模型中,本文模拟了两个代理者(又称为游走者)分别代表前景与背景属性同时游走在一张图模型上来探索显著性分布。首先,模型中提出了一种新型的距离度量算法——传播距离度量,并且使用它替代了使用测地线距离来计算两个代理者的初始分布。接着,两个代理者分别从各自初始分布出发游走同一张图模型,并且通过重启机制来构建沟通的桥梁,在每次迭代后交互游走信息来纠正对方当前错误的路线。一旦有纠错的需要就强迫代理者以一定概率返回到一些预期设定的节点来重新规划路线,这些重启节点则是由双重启机制来决定。为了增强特征的判别性,本文还从卷积神经网络中提取了深度特征来表示每个超像素节点。在基于多任务学习的深度多层网络算法中,本文在考虑完基于区域目标候选模型和基于超像素分割模型的优缺点后,提出了一种基于目标候选和超像素分割相融合的深度学习方式来互补改善显著性检测结果。此外,分类损失(也就是softmax)可以从负事例中区分出正事例,而相似度损失(也就是triplet)能够扩大不同类别特征间的对比差异。本文针对两种损失互补还提供了一种联合优化的方式来更进一步提升检测的性能。最终,一个多层元胞自动机模型来整合网络生成最终边缘轮廓完美并且目标内部整体平滑高亮的显著性结果。充足的实验验证了,本文两种显著性检测方法相比较其他当前先进算法在数个标准数据库上有更优的表现。