随着互联网技术的快速发展和5G时代的到来,各式图片、视频等多媒体数据成为重要的信息表达方式,交互式媒体的普及速度也不断加快,高效提取图像中的显著性区域具有重要意义。视觉显著性检测是指通过特征分析对场景中显著的目标整体进行准确预测,并且获取显著物体的边界。现有的检测方法存在检测精度较低、速度较慢等问题,不能很好的适用于实际应用场景。因此,本论文采用深度学习技术对视觉显著性检测方法展开研究,包括对象级边缘检测、显著性区域检测以及其相关应用,主要完成的工作和成果如下:(1)针对显著性区域边缘粗糙的问题,提出了一种基于多尺度残差网络的对象级边缘检测方法。首先在深度残差网络的基础上,设计了混合空洞残差模块以增大网络的感受野;然后设计了多尺度特征增强模块,以多种感受野提取特征,增强了卷积层中的信息交流;最后设计了金字塔多尺度特征融合模块,高效融合了不同尺度下的特征信息。(2)针对显著性检测计算复杂度高的问题,提出了一种联合边缘信息的多尺度显著性快速检测方法。首先联合对象级边缘检测网络,设计了金字塔特征增强模块,能有效提取各个尺度下的特征,并降低计算复杂度;然后设计了语义监督模块,通过对放大网络顶层的感受野,提取全局信息以对上采样过程进行语义监督;最后设计了一种联合边缘信息的损失函数,对模型的边缘和显著区域进行高效学习。(3)针对JPEG压缩应用,设计了一种基于显著性区域的JPEG图像压缩模型。首先采用不同压缩因子进行压缩,存储压缩值便于查询;接着对显著性图像归一化处理;然后遍历显著性图像,依据像素值选择该像素点的压缩因子;最后依据压缩因子查询压缩值。(4)针对点云数据处理应用,设计了一种面向点云空间的显著性检测模型。首先利用Kinect相机完成彩色图像和深度图像的采集;接着,对彩色图像进行显著性检测得到显著性二值图;最后根据二值图决定是否进行点云绘制。