显著目标检测是根据生物视觉的注意力机制来实现,能够过滤掉图像中大部分不重要的背景信息,从而突显图像中的显著目标,往往作为计算机视觉领域的预处理步骤。随着深度神经网络与全卷积神经网络的出现为显著目标的检测结果带来巨大的进步。本文提出了一种全新的深度全卷积神经网络结构,命名为非局部注意机制和多监督的特征聚集块融合网络,旨在融合每层特征聚集块的丰富特征。特征聚集块除了有本层特征之外还有其他层的特征,即每层特征聚集块既具有深层网络的强语义信息也同时拥有浅层网络的详细特征。在自顶向下的融合过程中能像Res Net一样学习各层的残差信息。同时引入非局部的注意力机制以提升上下文的关联性,增加多个辅助的监督连接到中间步骤,从而让网络更加方便的进行优化与加速收敛。本文的创新点以及贡献点如下:(1)设计出一个全新的聚集块以包含深层的高级别语义信息与浅层的详细特征,这样主干网络的每层特征图都扩充成包含其他层的聚集块,并且聚集块的内部可以实现高级语义与详细特征的互补。(2)深层的高级别语义特征聚集块通过自顶向下的与浅层的特征聚集块进行融合连接,使得输出层可以精确的定位显著目标,并且特征聚集块的详细特征可以优化显著目标的轮廓边界。(3)非局部注意机制和多监督的特征聚集块融合网络在自顶向下的融合过程中,采用非局部注意力机制与多监督连接到网络的中间步骤。融合过程中通过聚集块获得更多的特征,并且由于引入非局部注意力机制与多监督,使得网络在权重更新与收敛速度上更快,获得的显著目标检测结果分辨率更高。