显著性检测引起了计算机视觉领域的诸多研究,并且已经产生了许多应用。显著性检测旨在从图片或者视频中提取出显著区域即人类感兴趣的区域。传统的显著性检测方法总是不能很好地区分复杂场景中的显著性物体,随着神经网络在计算机视觉领域的成功应用,越来越多的基于深度学习的显著性检测方法被应用于检测显著性物体,相比于传统的显著性检测方法可以产生更好的显著性结果。本文提出结合传统启发式的显著性检测方法的结果辅助深度模型进行训练以产生更好的预测结果。本文提出将传统方法的显著检测图作为先验指导结合深度学习方法以期望在简单场景和复杂场景中获得更完整准确的显著性检测图。尽管传统的启发式的显著性方法有很多,但不是融合所有方法的结果都有效,因此通过综合考虑传统显著性检测方法的速度和F-measure评估值,我们提出了一个度量方法来选择我们深度网络需要融合的传统显著性方法。深度网络的训练往往伴随着大量的训练数据,对于显著性检测问题来说,本文用了一个不同于其他分类问题的数据增强方法,在保持显著性物体完整的情况下进行裁剪。最后我们通过基于VGG-16网络结构改进的网络进行特征提取和显著图结果的生成。本文在ASD数据集、ECSSD数据集、PASCAL-S数据集以及SED2数据集上与主流的一些传统显著性检测方法以及一些深度学习显著性检测方法比较,从定性和定量的结果分析都可以看到本文提出的算法能够更好地进行显著预测。