视觉显著性检测的研究主要是使用先验知识或可学习模型设计模拟人类眼睛观察视觉中的关键信息过程。目前主要应用于其他计算机视觉任务的前期处理,为它们提供前期的加速处理,如图像压缩,视频压缩,相机自动对焦等。目前现有的显著性检测Multiscale Deep Features(MDF)算法多次使用深度网络进行特征向量的提取,将超像素块、邻接超像素块构成的二级超像素块和全局图像分别缩放到227×227大小,再使用深度网络依次进行高维的特征向量提取,导致存在冗余计算问题。本文提出一种高效率计算的加速策略,由于一般小尺度图像块所含的特征信息非常有限,因此本文将超像素块、邻接超像素块构成的二级超像素块和全局图像分别缩放到不同大小,再合并成一张227×227图像进行高维特征向量提取。首先使用图分割技术(EGBIS)进行超像素块的分割,同时为了减少超像素分割的超参数影响,分别用了15组不同分割超参数进行分割,使得网络具备多层级多尺度信息。接着将遍历所有的超像素块,提取出当前的区域块、邻接超像素块构成的图像块和全局尺度图像分别缩放到不同固定的大小,将他们合并成一张227×227大小的图像。再将合并后的图像经过AlexNet网络提取高维特征,训练一个高级决策器进行分类,判断是否为显著性。最后将产生的15张显著图融合成为一张最优显著图。本文的工作主要有以下四个方面:(1)基于现有MDF算法多次缩放不同尺度图到相同大小再依次进行网络提取特征向量,造成冗余计算问题。本文提出一种加速策略,首先使用15组不同超参数的图分割技术EGBIS将MSRA-B数据集上的每一张图像进行超像素的分割,然后遍历每一张分割结果图上的每一个超像素块、邻接超像素块构成的二级超级像素块和全局图像,并分别将他们缩放到不同固定大小,再进行合并成一张图,输入到深度神经网络进行特征向量提取。(2)由于本文所提出算法需要的数据集样本和基础网络AlexNet所训练的图像的分布不同,因此在基础网络AlexNet之上,新增两层全连接层,每一层的神经元个数都为300个。同时新增的全连接层参数初始化采用高斯分布,设定基础网络AlexNet的卷积层参数不更新,全连接层上的参数进行更新。(3)深度神经网络产生15张初级的显著图后,本文训练一组参数进行融合成最优显著图。通过优化二值交叉熵损失函数学习最优的显著结果图。(4)改进后的深度模型和现有的MDF算法在公开的四个数据集上进行PR曲线比较、F-Measure计算以及平均绝对误差MAE分析。实验结果表明本文的算法在MSRA-B的测试集上效果比MDF好,在另外的三个数据集上效果和MDF算法几乎相当,另外在相同大小图像300×400测试所需计算时间,本文算法所需时间为3.32秒明显低于MDF算法计算结果8.0秒。