在计算机视觉任务中,对于用户感兴趣位置点的分析与研究是一个长期存在的且具有挑战性的问题。与此同时,随着各式各样社交媒体的出现和新零售对传统行业的冲击,人们对图像信息有着巨大的处理需求,这使得视频跟踪、视频监控、目标检测以及图像分割等任务中均使用到了显著性检测技术,由此观之,图像在当今社会人与人之间的信息交流起着举足轻重的作用。而图像作为数据的另一种载体,在大量的数据中,人们只对其中的部分信息感兴趣。毋庸置疑,人眼经过上万年的进化,能够自发且快速地找到图像中吸引注意力的部分,但是计算机由于储存图片的方式与人脑不同,所以在提取图片显著性区域方面心有余而力不足。在2012年深度学习走进人们的视野之前,研究者们解决图像显著性检测问题所采用的主要方法是利用对比度。经过观察发现,图像中的显著目标和区域和周围环境的对比度有着明显的区别,此外,由于人类的视觉神经细胞对图像的边缘部分表现更加敏感,有研究者提出了超像素的方法,将图像分为一个个的超像素块。这种方法较之前的方法有着明显的提升,但是效果依然无法令人满意。近十年来深度学习的兴起是人工智能领域的一个重大突破,尤其在图像处理方向首次实现了让计算机识别图片类别的错误率低于人类,从而引发了深度学习的热潮。但是,深度学习的方法需要大量的标注数据,而图像的显著性检测需要的标签数据更是pixel-level标注,这无疑增大了研究的成本。所以,针对以上问题,本文提出了一种新的方法来进行图像显著性检测,本文的方法分为两个阶段:首先采用深度学习技术,使用大规模图像级标签训练数据,提取出图像的前景推断图,这种方法称作弱监督训练,在提取到图像特征的同时,解决了获得训练集样本的成本昂贵的问题;其次,引入传统图像处理中的超像素方法对原图片进行超像素块处理,并与阶段1提取图像特征得到的前景推断图进行融合处理,达到进一步细化显著目标边界的目的。最后,通过与其他当今最优秀的算法在四个基准数据集上比较,证明了此算法在无监督算法中明显的优越性,与全监督算法相比也有着一定的优势。