显著性目标检测(SOD)旨在捕获图像中人类感兴趣的区域。得益于这种捕获显著区域的能力,在许多计算机视觉任务中,显著性目标检测起着重要的作用,代表性的任务包括图像理解、语义分割、视觉目标跟踪、视频压缩等。深度传感器的广泛应用,促进了RGB-D显著性目标检测的发展。现有的大多数RGB-D显著性目标检测方法主要采用对称的双流结构。但是,由于RGB数据和深度数据之间存在固有差异,使用对称的网络结构提取RGB和深度特征并非最佳方式。如何设计更适合RGB-D显著性目标检测的网络结构,如何在保留局部显著性细节的同时,有效地提取丰富的全局上下文信息,如何有效利用深度特征的判别能力来引导RGB特征从而准确地定位显著性目标已经成为显著性目标检测领域要解决的关键问题。本文针对以上问题提出了一种非对称双流结构。具体来说,本文在RGB流设计了流阶梯模块(FLM),该模块不仅保留显著性细节信息还能够提取全局和局部信息。FLM由四个细节信息传递分支构造而成,其中每个分支都在保留细节信息的同时并以进化的方式从其他垂直并行分支的表征中接收全局位置信息。此外,本文提出了一种新颖的深度注意模块(DAM),该模块能够通过选择性的利用深度信息引导RGB特征来确保RGB信息在具有挑战性的场景中的有效作用。本文的方法在7个公开的RGB-D显著性目标检测数据集上进行了测试,并与13种最先进的显著性目标检测方法进行了定量和定性的分析比较。大量实验表明,相比于其他方法,本文的方法实现了更精准和更高质量的显著性目标检测结果。在5个评估指标中,本文所提出方法的性能均优于其他的13种最新的RGB-D方法。