伴随互联网技术的飞速发展,显著性检测已在图像处理等相关领域取得了越来越多的成果,并在图像压缩、目标识别与跟踪、场景分类、图像分割等领域得到广泛的应用。但目前大多显著性检测方法往往依赖于人工定义的底层特征且只针对背景信息简单的单个目标,一定程度上限制了显著性检测方法在多目标复杂场景下的检测效果。近几年来,深度学习在计算机视觉领域的强势回归,为显著性检测提供了一个新的思路。本文针对具有多个显著目标且背景信息相对复杂的图像,对基于深度特征的多目标显著性检测方法及应用进行了研究。针对人工提取的底层特征不能很好表达复杂图像的问题,提出了一种通过深度卷积神经网络提取深度特征的方法。首先,在多个分割尺度上对输入图像进行超像素分割,并利用获取的目标先验知识进行预选目标区域提取和优化。然后,使用深度卷积神经网络提取预选目标区域的局部和全局特征,通过主成分分析对提取的高维深度特征进行降维并计算显著性值。由于基于超像素的显著性计算的局限性,同一个显著性目标内的显著值存在不一致性,会影响对显著目标的整体获取。为了解决这一问题,本文提出了一种改进的加权多层元胞自动机显著图融合方法,对得到的多尺度分割显著图进行一致性融合优化,从而得到最终的显著图。通过在公开标准数据集SED2和HKU_IS上进行实验,并与已有典型显著性检测方法对比分析,证明了本文方法的有效性。最后,在单幅图像显著性检测结果的基础上,进一步提出了一基于深度特征匹配的协同显著性检测方法,设计与实现了基于协同显著性检测的视频显著性目标定位系统,并通过实例验证了系统的可行性。