显著目标检测主要目的是检测并分割出一幅图像中最吸引人注意力的目标。显著目标这一部分含有大量的图片中最有价值的信息。所以在许多计算机视觉任务中只需要处理图片中的显著部分,就能够在取得更高的任务性能的同时大大减少处理量。至今为止,显著目标检测已经被用做了许多计算机视觉任务的预处理方式,比如目标识别,图像描述,图像检索等。深度卷积神经网络可以从图像中提取一般性很强的深度特征,这些深度特征对于视觉理解有很大帮助。所以计算机视觉任务开始使用深度卷积神经网络来处理,包括显著目标检测。本文主要提出了两种基于深度卷积神经网络的显著目标检测算法。第一个算法构建了一个多阶段改善的双支路显著目标检测网络。在这个网络中,该算法主要是引入了基于卷积层的递归机制和通道注意力模块来改善检测效果。此外,还利用了迭代训练方法使得不同阶段学习到更加互补的特征。最终,该算法在几个标准数据集上都取得了当前比较好的效果。第二个算法构建了一个多任务学习的双支路深度卷积神经网络。该算法利用目标轮廓检测任务来辅助显著目标检测任务。在本算法中,我们先引入了基于语义对比局部特征的残差模块来改善显著目标检测结果。然后设计了一个特征交互模块来进行多任务学习并且在特征交互模块中加入了一个稀疏卷积模块来提升泛化性能。此外,我们利用了在每个小批数据上交替训练的机制使得两个任务之间能够逐渐地学习互助的特征。最终,该算法在几个标准数据集上都取得了当前比较好的结果。