显著性目标检测任务旨在将图像中最具有视觉差异性的区域定位和分割出来。它被广泛应用于其他复杂的计算机视觉任务的预处理,如图像编辑、图像描述以及问题回答等,以简化这些视觉任务,提高任务处理的效率。近年来,得益于全卷积神经网络的飞速发展,显著性目标检测的研究者们做了大量的工作,极大地提升了显著性目标检测的性能。然而在显著性目标的尺度、形状多变以及背景环境复杂的场景中,现有的算法无法捕捉到变化目标的信息,以致发生目标误检的问题。此外,在低分率显著图的修复过程中,已有的算法从前景特征中学习更强的特征表达以修复显著图,因细节信息修复的不充分而发生目标漏检现象,尤其是在目标的边缘与内部区域。因此,为了解决显著性算法存在的目标误检和漏检的问题,本文的主要工作如下:1.针对目标误检问题,本文提出了基于目标结构和注意力融合算法。目标误检主要发生在前景和背景交织在一起以及背景环境复杂这两种场景中,模型分别提出了密集多尺度上下信息提取方法（DMCEM）以及全局上下信息提取方法（GCEM）。DMCEM将浅层网络的细节结构化信息传递到深层网络来增强深层语义信息,从而帮助模型准确判断出交织中的前景。GCEM在网络的最深层进一步扩展卷积层的感受野,提取全局特征,保证模型能有效定位复杂背景中的目标。此外,模型设计了基于注意力深度修复方法（ADRM）,ADRM利用注意力机制来深入融合浅层细节信息和深层语义信息从而修复显著图。2.为了进一步处理目标漏检的问题,在前一章工作的基础上本文提出了复杂场景下特征增强的显著性目标检测算法。模型提出残差化特征增强方法（RFEM）,RFEM从背景中重学习丢失目标区域的信息,然后以残差的方式来补足残缺的显著图。此外,为了更有效地利用全局特征,模型提出了特征全局性增强方法（GFEM）,GFEM将全局特征直连到网络的各层,极大地增强了各层对于复杂背景中目标的鲁棒性。3.最后,在五个公开数据集上与15个先进算法进行实验对比证明了本文提出的两种算法的有效性,根据消融试验进一步验证了算法优化的可行性。