精准、快速地从复杂场景中提取关键内容和感兴趣目标在军事侦察、城市安全监视和国家安防监控等应用中具有重要意义。然而,海量视觉信息的快速分析与智能理解对算法性能提出了更高的要求,尤其是面对包含杂乱背景、低对比度、多种类别和多尺度目标的复杂场景时,常规的算法或机器学习模型难以发挥有效作用。作为计算机视觉的主流方向和基于视觉内容分析的基础研究,视觉显著性检测旨在模拟人类视觉注意力的场景感知能力和主动选择机制,以实现场景中重要内容和关键信息的快速筛选与提取。基于此,本文以视觉显著性检测为方法基础,以光学遥感、自然图像、多模态和低对比度场景图像为研究对象,从模型结构设计、监督策略优化、深度特征集成以及弱监督学习角度出发,开展了一系列基于视觉显著性的复杂场景目标检测方法研究。本文研究内容及创新总结如下:1.针对复杂场景下杂乱背景干扰与区分的问题,提出了一种基于对比度加权字典学习的光学遥感显著目标检测方法。将样本对比度引入字典学习过程中,实现了一种在线判别字典学习;基于判别字典,结合稀疏表示系数和重构误差设计了一种新颖的显著性度量准则,以提高对遥感影像中显著目标的判别能力。本方法解决了基于稀疏表示的显著目标检测算法受限于错误的背景区域采样对非高斯噪声敏感问题。在构建的遥感数据集和公开的自然图像数据集上的实验表明,所提方法能更好的抑制背景干扰,突出显著目标的完整性。2.针对高分辨率遥感影像显著性检测存在目标定位不准确和边界粗糙的问题,提出了一种基于语义引导和注意力细化的光学遥感影像显著目标检测方法。设计的语义引导解码器通过聚合高级特征来实现粗略但准确的目标定位,集成的语义信息通过自顶向下的方式来引导低层次特征的融合并逐步细化目标边缘;构建的检测模型以端到端的方式进行监督学习并输出高质量的预测显著图。与主流的14种先进方法的实验结果表明,提出方法在主要性能评价指标上均取得了最佳结果。遥感目标检测的实验示例进一步证实了方法具有在对地智能监视的应用潜力。3.为增强光照变化或云雾干扰情况下场景显著目标检测能力,提出了一种多层次交互学习的多模态场景显著目标检测方法。设计的跨模态细化模块集成多模态（深度影像图、红外影像图）特征;采用多级别融合模块以自低向上逐级特征层集成与反馈特征修正的方式实现特征细化和复用;以金字塔检测方式将不同层次的跨模态特征融合输出最终预测。本方法构建了RGB-D和RGB-T数据场景的统一显著目标检测架构,取得了与主流的14种方法相比的主要指标性能优势。同时,在利用RGB-D的开放水域船舶检测和RGB-T的场景玻璃区域检测的实验示例进一步展现了所提模型的泛化能力。4.分析显著目标检测和伪装分析任务的内在联系,提出了一种用于伪装分析的视觉Transformer显著目标检测方法。采用视觉Transformer对伪装物的全局上下文进行编码与建模;通过非局部操作和图卷积构造非局部token增强模块,以增强Transformer的局部表示;在解码器中通过逐层收缩的金字塔结构聚集成对的token,以挖掘和累积有效的细节和语义特征。本方法解决了基于Transformer方法的局部建模效率较低和解码器中特征聚合的局限性问题。实验表明,所提方法在典型的伪装分析数据集上实现了超过23种先进方法的卓越性能。在遥感和自然图像显著目标检测数据集上的实验表明所提方法具备良好的模型泛化能力。5.为了从稀疏标注中实现光学遥感影像的显著目标检测,提出了一种基于涂鸦注释的弱监督光学遥感目标检测方法。通过带类激活映射的分类网络生成可靠的边界（伪）标签;设计从浅层特征和输入图像中提取目标边界信息的边界感知模块;将边界信息与密集聚合策略生成的初始显著图相结合,以引导解码器网络中的显著性预测。为解决数据集的缺失,构建了涂鸦标注的遥感影像显著目标检测数据集,并实验验证了在主要性能评价指标上取得了领先现有算法。本方法首次采用基于涂鸦标注的弱监督方法来解决目标边界预测模糊问题,突破了通常采用全监督进行遥感的显著性检测方式。