显著目标检测的目的是使计算机模拟人类的视觉注意力机制,检测、分割出图像中最吸引人类注意的部分。显著目标检测可以作为预处理技术,应用在语义分割、图像压缩、医学图像分析等领域。近年来,随着深度传感器技术的不断提升,将深度图像作为补充信息辅助RGB图像检测显著目标,形成了RGBD图像显著目标检测任务。目前,大多数RGBD显著目标检测方法简单地将RGB特征和Depth特征同等对待,使用对称的结构融合两种特征。对称的融合方式忽视了RGB图像和深度图像之间的差异性,难以充分融合这两种特征。本文提出一种基于非对称融合的RGBD图像显著目标检测方法。非对称融合方式充分利用RGB图像和深度图像之间固有的差异,有效地融合RGB特征和Depth特征,能在输入较高质量深度图像时准确检测显著目标。在这个方法中,基于双流网络提取特征,设计的非对称融合模块充分利用RGB特征和Depth特征之间的差异性,使用Depth特征定位显著目标,用于指导RGB特征补足显著目标的细节信息。解码器部分使用二分支主干策略,这种解码方式与编码器部分耦合程度低,能有效降低整个模型的复杂程度。在非对称结构的基础上,进一步提出结合深度去噪和全局感知的RGBD图像显著目标检测方法,解决了输入低质量深度图像时检测精度下降、显著目标检测不完整两个问题,使其能在复杂环境中精确检测出完整显著目标。在双流网络的Depth信息流一侧添加深度去噪模块,该模块能滤除特征中的噪声,保留低质量深度图中的重要特征参与后续的非对称融合过程,解决输入低质量深度图像时检测结果较差的问题。在RGB信息流一侧添加全局感知模块,该模块能提取全局上下文信息,通过扩大的感受野检测显著目标远距离相似性,保证显著目标的完整性。本文方法在公开的NJU2K、NLPR、SIP和STERE四个数据集上进行大量实验,并且与16种主流方法进行视觉定性对比和数据量化对比,实验结果表明本文方法优于当前的主流方法。多组消融实验验证本文设计的模块的有效性;同时,与对称结构的对比证实,本文的非对称结构取得了更好的结果。