显著性检测任务的目标是利用计算机模拟人眼注意力机制,以检测图片中的显著性区域及物体。该技术在很多实际应用中发挥着重要的作用。近年来,基于深度学习的显著性检测算法在检测性能上取得了阶段性的进展,但是其仍存在着诸多亟待解决的难题。首先,如何提升显著目标的边界清晰度并有效抑制背景噪声是提升模型检测性能的关键问题。另外,现有方法大都为提升算法性能的研究,而忽视了对模型计算量、存储量开销的限制。因此,如何平衡模型的性能和开销同样是值得研究的问题。针对第一个问题,本文提出结合边缘信息的高性能显著性检测算法。首先,将预训练后的边缘检测模型的特征融入到显著性检测模型的解码器中,以丰富显著目标的边缘特征。之后,将边缘检测模型和显著性检测模型的低分辨率输出图同时输入超分辨优化网络,进而在提升输出分辨率的同时进一步优化检测结果。最后,本文从监督信息的角度出发,将多层监督机制和结合注意力机制的多尺度池化方法相结合,以丰富网络的全局上下文信息。针对第二个问题,本文提出基于轻量化模块及模型压缩技术的轻量显著性检测模型。本文首先设计了轻量基网络及解码器结构,在此基础上,本文提出两种模型压缩的方案。在第一种方案中,本文使用预训练的基网络进行模型稀疏化训练并进行模型剪枝操作。首先,针对稀疏训练过程中的模型退化问题,本文提出了动态下降的稀疏率设置。之后,在剪枝阶段提出了结合均值变点法的贪婪剪枝策略,能够在保证性能的同时通过渐进式剪枝达到人为设定的轻量化指标。在第二种方案中,本文首先在目标任务上使用随机初始化的模型进行稀疏化训练并剪枝,以获得更符合目标任务的最优轻量化模型。之后对参数进行重新初始化,并使用模型蒸馏的方法进行小网络的重训练。本文将上述两种方法在多个公开数据集上进行了测试,并与现有的先进算法进行了定量和定性的对比实验。大量的实验结果表明,本文算法取得了较好的结果。