人类视觉系统可以在大量复杂场景的非结构化视觉信号中自主,高效地获取场景中的有效信息,这很大程度上受益于视觉注意力机制的驱动,该机制可以在短时间内使人对视觉信息快速作出选择。为了模拟人类视觉系统中的注意力机制,计算机视觉、图像处理、生理学等领域专家提出了一系列的基于视觉的显著性检测模型。由于特征选择及显著性计算方式等方面的不同,检测模型很难满足计算机视觉任务的实际需求,因此如何结合各学科知识设计出符合人类注意力机制且满足实际应用需求的视觉显著性目标检测模型值得深入研究。本文将从传统方法以及深度学习两个方向对视觉显著性目标检测展开相关研究。主要内容如下:针对原有的MBD显著性目标检测模型存在的目标接触边界、多目标检测困难等问题,本文设计了一种基于视觉扩散的MBD显著性目标检测模型。该模型基于视觉扩散的思想分别实现了图像由外向内和由内向外的扩散更新,最后将两种更新效果融合获取最终显著性检测图。本文实验使用了该方向经典的检测数据库及相应的评价指标,从定量和定性的结果分析来看,本文提出的检测模型有效的解决了传统MBD存在的问题,同时在准确度等指标上有明显提升,效果令人满意。传统方法在常见目标模式的检测能力上不及目前基于深度学习的视觉显著性模型,而很多以深度学习为理论依据的检测模型在特征层组合形式上比较单一,多尺度处理能力有缺陷。基于以上问题,本文设计了一种新型的基于深度学习的多尺度特征共享显著性目标检测（MSFS）网络。MSFS网络由基础的VGG16特征提取模块和多尺度特征共享连接模块组成,该网络在反卷积生成过程中通过共享连接充分融合不同层次的卷积信息。与传统检测算法及现有部分深度学习算法相比,本文的提出的网络结构新颖、规模精小、准确度较高,效果优秀。本文设计的两种视觉显著性检测模型很好的完成了显著目标检测任务,并对比了现有经典算法,达到了满意效果。其中基于扩散的MBD显著性检测模型适用于数据量不足且场景频繁变化的情况。基于深度学习的多尺度特征共享显著性检测（MSFS）网络,适用于数据量充分,有针对性目标检测的情况。本文针对不同应用场景提供不同的检测方法,同时在实际应用案例中进行了验证与比较。