显著性检测通过对注意力机制的模仿，突出图像中最显著的区域或目标，给出图像所有像素点的显著性概率得分，达到对图像预处理的目的。作为计算机视觉重要的研究领域之一，显著性检测及其在目标检测中的应用在多个方面具有着重要价值，可广泛应用于日常生活，公共安全防控以及网络视频等领域。基于深度学习方案的显著性检测，主要通过对训练数据学习获得表征能力强的特征，从而克服图像中复杂背景带来的影响，实现显著目标进行精确定位。但与此同时，算法也存在类内相似性和类间差异性导致的图像检测结果差，网络计算量大带来的运算效率低以及大量高质量训练数据获取难度大等问题。针对以上问题，本文提出了新的网络框架、结构损失函数以及基于弱监督学习的显著性目标检测方案。最后结合显著性提出了基于级联评判机制的弱小目标检测算法，提高弱小目标检测算法的召回率和运算效率。所有算法均通过实验证明其有效性。
　　针对目前显著性检测网络特征表征能力不足以及运算效率不高的问题，本文提出了基于深层特征融合和多层监督的网络架构。首先，结合残差结构保证网络泛化性；然后，使用特征聚合节点降低特征通道数量，并将其作为下个模块的输入特征，提高网络运算效率；最后，框架每个模块均输出预测结果，使用非线性映射方式对结果进行融合，提高网络特征表征的准确性。针对目前损失函数对图像中像素点关系监督弱的问题，本文提出了基于标签引导的结构损失函数。使用图像像素点之间的关系作为监督信息，利用类间监督突出显著性目标区域与背景区域的差异性，使用类内监督加强显著性目标区域内部和背景区域内部像素点的一致性。针对当前基于深度学习算法存在大量高质量训练数据获取难度大的问题，本文提出了基于点标注引导的弱监督显著性目标检测算法。先利用超像素算法将点标注扩展为图像块标注，增加训练数据中像素点数量。再使用超像素算法和全连接条件随机场对训练数据进行优化，最后结合迭代训练方式逐步提高显著性目标检测算法的性能。
　　针对弱小目标像素面积少和纹理信息缺失等因素导致检测效果差的问题，本文依据弱小目标细节信息少但目标整体性强的模式特点，提出了一种基于显著性和紧致度的弱小目标检测算法，通过级联评价指标逐步剔除低质量推荐框。首先，采取基于尺度梯度集的目标性算法，在图像中使用滤波器快速目标性概率图，提取初始检测框。其次，在推荐框中使用最小方向对比度计算像素点显著性概率，采用连通性对推荐框边缘像素点显著性概率分布进行度量。最后，在显著性概率计算基础上，对推荐框进行边界调整，改善推荐框质量，并使用紧致度评价方式评判推荐框中包含弱小目标的概率。实验表明，本文提出的方法在多种类型数据库上均能取得最好的弱小目标检测效果，且具有良好的运算效率。