随着人工智能技术的不断发展,显著性目标检测在计算机视觉领域的应用变得越来越广泛,逐渐成为了一项很有挑战性的任务。根据任务要求,算法需要检测出图像中最显著的一个物体或者一部分区域,对图像的可解释性工作帮助很大。因此可以应用在很多图像处理任务中。显著性目标检测现阶段主要分为基于传统数学模型的显著性检测方法和基于深度学习的显著性检测方法。传统算法一般较难提取到图像的深层语义特征,在复杂图像中的检测效果较差;基于深度学习的方法使用神经网络,网络的训练过程由数据驱动,缺少相应的先验信息,会产生一定训练误差,影响算法的显著性检测效果。针对这些问题,本文基于人类视觉感知逻辑,设计了一个基于特征比对模块的多阶段显著性检测网络,并在多个数据集上证明了算法的有效性和实用性。本文主要创新点如下:（1）提出了一个基于特征比对的显著性特征提取模块。先提取图像中每个区域周围的环境信息,再通过特征比对的方法对该区域的特征信息与环境信息进行交互计算,得到与原特征图尺寸相同的掩膜,最后将掩膜与原特征图融合,增强显著性区域并抑制非显著区域从而获得显著性特征。同时将本文的模块与R3Net结合,在显著性数据集上验证了本文模块可以提高网络backbone阶段的显著性特征提取能力,促使网络更准确地检测显著性目标,并通过对比实验证明了本文模块的通用性和优越性。（2）提出了一个基于感知逻辑和特征比对的显著性检测网络。人类视觉感知逻辑是先进行简单的预注意过程获得候选特征,再通过注意力集中过程得到我们需要的特征。通过分析视觉感知逻辑的特点,我们设计了一个多阶段显著性网络。网络先通过通用特征提取模块提取图像的通用视觉特征,之后通过特征预处理模块修正特征,再通过专用特征提取模块提取符合显著性任务要求的特征信息,最后基于得到的专用任务特征进行显著性预测。本文以现有已公开的5个显著性自然数据集为例,对本文的网络进行了指标和效果测试,并与当前的SOTA网络进行了对比,结果证明了本文网络在指标和检测效果方面均优于现有网络。（3）提出了一种基于视觉感知机制的显著性网络训练方法。为了充分提高网络的性能,我们通过分析人类视觉感知机制提出了一种特殊的网络训练方法,在网络的训练阶段,网络的backbone使用迁移模型并且不更新参数。先提取通用视觉特征再进行特征预处理来使网络适应当前数据集,此方法可以防止backbone经过微调后性能下降。通过对比实验证明,该方法能够提高网络训练的速度和网络检测的准确率。