图像显著区域检测是计算机视觉领域的一个热门研究方向,主要目的是使计算机可以模拟人类视觉注意机制,及时准确的从场景中获取关键信息,进而节约计算机资源。作为图像预处理的主要步骤,显著区域检测算法目前已经广泛应用于图像压缩、目标检测、图像检索、语义分割等领域中。随着深度学习的不断发展,显著区域检测技术已经取得了很大的进步,但是由于自然场景的复杂多变,当前算法仍存在不足。本文在对现有的显著区域检测算法进行分析与总结的基础上,提出了两种改进的显著区域检测算法,具体工作如下:(1)池化层使得卷积神经网络的高层输出特征图与原图大小相差较大,不利于显著区域检测任务。针对这一问题,本文采用Deep Lab V3+作为基础网络,提出了一种基于编解码结构的显著区域检测算法,其中编码器用于提取高级语义特征,解码器用于恢复特征图的大小。首先设计了能够充分利用低层信息的解码器,其逐步恢复特征精度,能够有效解决池化操作导致的特征丢失的问题。其次采用二分类交叉熵损失函数进行训练,并对输入数据进行预处理,突显个体之间的差异,使得其更适用于显著区域检测任务。最后在六个公开数据集上与其他算法进行实验对比,证明了算法的有效性。(2)多数显著区域检测算法无法对复杂场景进行有效处理,存在目标轮廓模糊的现象。针对该问题,本文提出了一种结合轮廓特征的深度监督显著区域检测算法,它能同时执行显著区域检测任务与轮廓识别任务,并利用轮廓特征逐渐优化显著目标特征。首先采用侧输出子网络从VGG16中提取多尺度特征,并对其进行预测获得显著目标特征。然后向轮廓识别网络中引入深度监督获得与显著目标特征相匹配的轮廓特征。最后利用目标轮廓特征不断修正显著目标特征,并根据不同权值对分层显著图进行融合,进一步提高显著图的质量。通过与其它算法的对比实验,可以看出该算法可以有效克服目标轮廓模糊问题。