显著目标检测（Salient Object Detection,简称SOD）作为计算机视觉的一项基础任务,可以帮助许多视觉任务（如语义分割、视频分析、场景分类等）实现更好的性能表现。主流SOD方法多基于RGB图作为输入,而RGBD（RGB和Depth）SOD方法是将RGB图和深度图作为输入的方法,近年来在挑战场景的RGBD SOD方法取得了更好的表现,得到迅速发展。RGBD SOD中依然存在问题,RGB和深度数据都可能出现成像质量不好的情况,导致现有方法不能取得一个好的表现。另外,现有的RGBD SOD模型大多基于双流架构,更多的关注性能而忽视了计算成本,难以取得性能和计算便捷性的平衡。为解决以上在RGBD SOD内存在的问题,本论文贡献如下:（1）为应对不同质量的场景问题,本文提出了一个交错动态滤波网络包括一个特定模态的动态强化模块（MDEM）和一个场景感知的动态融合模块（SDFM）。MDEM生成定制的动态滤波器来处理RGB和深度的特征,能指导模型实现模态特定的特征强化。SDFM自适应地调整动态滤波器的权重,以选择有利的跨模态特征,从而提升模型的场景关注能力。本文在7个RGBD数据集上进行了广泛的实验,超越目前最新的19个RGBD SOD方法,达到了综合最优的表现,证明了所提方法的有效性。（2）为实现RGBD SOD中计算成本和模型表现的平衡,本文基于单流模型提出了一个深度注射框架（DIF）包括一个注射策略（IS）和一个深度注射模块（DIM）。在IS中,本文将深度图直接注射到编码器内,强化编码器的语义表征能力,同时能够保持单流模型的计算便捷性。本文设计的DIM可以实现低损失的深度图和层级RGB特征的对齐,并抑制了深度图的内在干扰,以确保有效的融合。另外,本文的框架具有很强的应用性:本文的框架在RGBT SOD里超越其他方法取得了最优的表现;本文即插即用的DIM相比级联的方式能够更好地提升单流模型的表现。本文在6个RGBD数据集上进行了广泛的实验,超越了28个最新的RGBD SOD方法,证明了所提框架的有效性。