近年来,通过学者们的不懈努力,计算机视觉得到了快速发展,显著性检测也在机器学习和图像处理等领域得到了更为广泛的应用,其中包括目标识别、图像检索、图像分类、语义分割及图像问答等方面。但是,随着图像数据集的不断扩充以及场景复杂度的增加,传统的显著物体检测方法已经很难满足研究者们的需求,在许多计算机视觉任务(如边缘检测和语义分割)中难以捕获语义信息,存在很大的局限性。最近,随着深度学习技术的迅速发展,显著物体检测已经取得了很大的进步。但是在面对复杂场景时仍然检测效果不佳,如低对比度、物体背景高度相似、多个不同特性的小物体等等。因此,本文研究更加准确的深度显著物体检测网络,主要研究工作如下:1.本文提出了一种基于残差特征金字塔的显著物体检测网络。首先,为了提升卷积特征的语义信息,在每个侧输出阶段引入丰富卷积特征提取更多的多尺度多层次物体信息,以提升在复杂场景中的语义辨别力。其次,进一步提出残差特征金字塔结构来高效地融合基于这些优化后的不同侧输出卷积特征,通过反向注意力机制只聚焦残差特征进行融合,能够有效地学习物体缺失区域和物体边界,并且有效降低网络冗余性并提升检测效率。2.本文提出一种嵌入注意力和残差网络的显著物体检测方法。首先,通过引入注意力机制来引导各侧输出层的特征学习,学习到更准确的语义特征。通过自上而下的方式学习注意力权重,通过高层语义特征指导浅层物体定位,可以更好地滤除背景特征的干扰。其次,提出残差优化网络来自适应融合多尺度特征,在相加融合中引入一个点乘二阶项来近似残差特征,从而引导网络学习缺失的显著物体部分。而且,这样一个二阶项不仅可以便利梯度传播,还可以增加网络非线性。3.大量的实验结果表明,本文所提出的方法在现有的五个公开数据集中,在四个广泛使用的评价指标方面,与多个先进的方法相比均体现出更加优异的性能。另外,在运行效率上也更有优势。本文也将提出的方法应用于背景替换、背景虚化和图像缩放中,取得了较好的实验结果。