视觉显著性检测任务旨在模拟人类视觉关注机制,用于凸显场景中人眼感兴趣的目标,其在计算机视觉领域得到了广泛的关注。近些年来,显著性目标检测任务随着深度神经网络的发展,显著性检测模型的性能得到极大提升。然而,在处理复杂场景尤其是光学遥感图像和伪装目标图像时,由于图像往往包含嘈杂背景、低对比度目标、微小目标等极端情况,已有模型性能下降严重。为此,本文提出了面向复杂场景的显著目标检测模型,本文的主要研究内容如下:1.基于边缘感知推理的显著目标检测模型针对光学遥感图像的显著目标检测任务,本文设计了边缘感知推理的显著目标检测模型。该模型充分探索了边缘特征和物体特征的互补性,首先,在编码阶段,使用Res Net-34来获取多层级深度特征。然后,在此基础上,设计部署了边缘感知模块来提取边缘特征,用于指导后续的解码推理模块。特别地,为了减少浅层信息与深层信息的语义鸿沟,我们为目标信息与边缘信息的交互设计了不同的融合方式。按照此种方式,我们将每个解码推理块输出的粗糙显著图像连接并施加卷积操作后得到最终显著性图像。从公开数据集上的实验以及模型自身消融实验中可以看出,本文提出的模型在各评价指标上与现有模型相比均达到先进水平,各子模块均对模型显著性检测性能起到重要作用。2.基于分类-凸显的两阶段显著目标检测框架针对伪装目标检测任务,我们设计了基于分类-凸显的两阶段显著目标检测框架,该框架包括图像分类、目标凸显两部分。具体地,在图像分类过程中,对于输入的伪装目标图像数据集,网络通过分析图像特征确定其是否含有待检测目标,并将包含不易凸显的伪装目标的图像输入到基于编解码架构的渐进式显著目标推理网络进行处理。具体地,为减小在特征提取、特征融合过程中,不同编码、解码层之间的语义鸿沟,提出了一种渐进融合编解码方式,通过对编码层、解码层特征进行逐级组合,以降低不同层间信息的差异性。从公开数据集上的实验结果以及模型自身消融实验中可以看出,本文设计的框架在目标细节凸显上达到较高水平,各子模块均有效提升模型显著性检测水平。本论文针对光学遥感图像和伪装图像,利用深度学习技术,提出了两个显著性模型,有效地提高了复杂场景下地显著目标检测性能。本论文进行的这些研究工作有效推动了显著性检测这一研究领域的发展。