随着计算机视觉技术的发展,视觉显著性计算在近些年取得了快速的发展,在视频压缩,美学裁剪等领域得到了广泛应用,同时也催生了显著性预测,显著性目标检测等子任务。然而,现有方法仍然存在多目标场景预测不准确,特征利用不充分,分割边缘模糊等问题。本文针对显著性预测和显著性目标检测两个任务进行研究,通过分析现有算法存在的问题,提出了两种算法。本文的主要工作如下:（1）提出了一种基于注意力机制和特征精炼的显著性预测算法。现有方法大多数使用单尺度特征策略,部分方法虽然通过多尺度结构进行改进,但仍然缺乏有效的特征筛选机制。针对上述问题,本文提出了一种基于注意力机制和特征精炼的方法,通过特征精炼模块和平行注意力模块分别模拟视觉感知过程中的集中性和指向性。具体而言,特征精炼模块通过多尺度多感受野的机制,辅助模型在多目标场景下,自适应地选择合适的感受野提取特征。平行注意力模块则通过并行结构同时学习特征全局信息和局部上下文,辅助模型学习显著物体的类别与位置。实验表明,本文提出的算法在AUC,CC等多项指标上有提升,具有较好的泛化性。（2）提出了一种基于特征融合与边缘优化的显著性目标检测算法。现有方法主要关注显著物体内部一致性与边缘质量,为此,大部分方法通过特征融合提升内部一致性,通过损失函数或多任务学习方法提升边缘质量。然而,现存方法在特征融合时存在特征利用不充分或引入融合噪声的问题,导致融合效果欠佳。此外,当前方法在边缘优化上仍然有较大改进空间。针对上述两个问题,本文提出一种基于特征融合和边缘优化的方法。具体而言,该方法通过金字塔特征融合模块进行两阶段融合,既避免了融合噪声的引入,又充分利用了多层次特征的信息。此外,通过边缘优化模块在浅层加入边缘监督信号,显式地驱使模型学习显著边缘相关特征,提升边缘效果。实验表明,本算法在MAE,F-measure等多项指标上有提升,证明了该算法的有效性。