图像是生活中常见的一种视觉载体,其重要信息蕴含于某些特定区域。人类视觉系统能够快速且准确地获取图像特定区域中具有价值的显著性信息。在实际应用中,研究者们希望显著性检测算法能够像人类视觉系统一样自动捕获图像中的显著性信息。目前,显著性目标检测已经成为计算机视觉领域的一个重要研究方向,被广泛应用于图像分割、目标跟踪、图像检索等研究领域,具有较高的实用价值。得益于深度卷积神经网络强大的特征提取能力和特征表达能力,基于深度学习的显著性检测方法性能比传统方法性能有了很大提升。但是在较为复杂的场景中,大多数显著性检测算法依然很难准确地检测出图像中的显著性目标,会出现显著性目标不完整、目标区域内部不连续或边缘模糊的情况。为了解决上述问题,本文对基于注意力机制和循环网络的显著性检测算法进行研究,主要研究内容分为以下两个方面:（1）深度神经网络的特征表达能力是显著性目标检测问题的关键,现有方法提取的卷积特征大多存在特征表达能力不强及缺乏辨识性的问题。为此,本文提出了一种基于多特征注意力循环网络的显著性目标检测方法。该方法中的多尺度特征提取模块利用四个不同感受野的空洞卷积获取高层的多尺度上下文特征,并使用聚合操作实现多尺度特征的融合。为使融合后的特征更具辨识性,采用注意力机制自适应地给每个特征位置增加权重以区分其重要性。在此基础上,利用循环网络微调显著性区域,使显著性区域更加完整,边缘更加精细,从而生成更准确的显著图。该方法在5个公开数据集上与8个新近方法进行了比较。实验结果表明,该方法生成的显著图更加准确,在MAE和F-measure评估标准上其性能也有进一步的提升。（2）由于全卷积网络能够提取丰富的多层级和多尺度特征,因而该网络在显著性目标检测任务中发挥着重要作用。但是,大多数基于全卷积网络的显著性检测模型以单一的方式利用多层级特征,生成的显著图不够准确。为了解决这个问题,我们提出了一种使用分层注意力特征循环引导神经网络的显著性目标检测方法。首先,将从全卷积网络中提取的多层级特征划分为低层特征和高层特征。使用具有不同感受野的空洞卷积从高层特征中提取多尺度特征,以获得丰富的上下文信息。同时,低层特征采用特征细化模块进行细化,用于补充卷积特征中的细节信息。由于分层特征的信息表示形式不同,其关注重点存在很大差异。因此,针对分层特征引入了两阶段注意力模块来引导显著图的生成。低层特征和高层特征融合后,模型注意力可能会出现偏差,从而导致检测到的显著性区域出现一定的偏差。为此,我们设计了一种循环引导网络来校正存在偏差的显著性区域,进而有效地抑制背景干扰并逐步细化显著性目标的边界。在前述的5个标准数据集上的实验结果表明,该方法在定量和定性评估中均表现出优异的性能。上述第一种方法仅利用高层特征中的语义信息而未考虑低层特征中的细节信息,并且其循环网络的中间过程并无引导机制,使得该方法对部分存在语义歧义图像的检测结果不够理想。第二种方法则在第一种方法的基础上,加强了对低层特征的利用,使卷积特征中的细节更加丰富。同时,我们设计了循环引导网络,使用真值图监督循环网络的训练过程,从而能够更为准确地检测大部分图像的显著性目标,具有较强的鲁棒性。本文主要研究注意力机制和循环网络在显著性检测领域的应用,为计算机视觉领域提供了两种可行的显著性检测模型,并通过实验证明了两者的有效性。