显著性检测是图像处理工作的一部分,也是其多数任务的预处理步骤,目的是将整张图像中最引人注目的一部分检测并分割出来,一般来说这部分图像所包含的信息量最大也最重要。如今,显著性检测已被广泛运用在图像检索、图像分类、目标检测、图像分割等领域。随着科技的进步,基于人工提取特征的传统显著性检测方法愈发成熟;而深度学习方法的引入,亦使显著性检测的效率更进一步。但两个方向的方法皆有不足之处,如传统方法中对边界依赖严重、无法胜任背景复杂情况处理等问题,深度学习方法对图像特征无法充分利用、目标边界不显著等问题。针对传统方法过度依赖边界、对前背景差别小的图像检测效果差的问题,本文提出一种结合背景先验与前景先验的显著性检测方法。与其他结合前背景先验的方法不同,本文考虑到目标特征与背景特征,使用基于马尔可夫吸收链的显著性检测方法提取背景先验显著图。进一步,为摆脱依赖边界定位目标,引入颜色增强的harris角点检测方法以确定凸包位置从而定位显著目标。针对深度学习方法中存在的融合图像特征粗略、目标边缘模糊的问题,本文提出一种新的特征融合网络以充分利用图像高低级特征并使用一种混合损失函数提高边缘清晰度。本文以跨层聚合方式与残差求精模块对各网络层提取的特征进行求精处理,通过循环模块将求精后的显著预测图继续反复求精,使低级细节信息与高级语义信息得到合理利用,并融合各层显著预测图得到最终显著图。将二值交叉熵损失函数、结构相似性损失函数、IOU损失函数融合得到混合损失函数,以其替换常用的单二值交叉熵损失函数,多方位训练显著预测图与人工标注图的误差,从而提高目标边缘清晰度。基于多个国际公开数据集,本文对上述两个方法进行测试,并分别与其领域中主流的显著性检测算法进行对比实验与分析,以验证二种方法的先进性。实验结果表明两个方法都取得了优秀的成绩,与其他主流算法相比性能得到了提升。