深度信息在RGB-D显著性物体检测（SOD）中已被证明具有显著优势。然而，实际获取的深度图往往存在质量低、精度差的问题。现有的大多数RGB-D SOD模型在编码阶段缺乏跨模态交互，或仅存在从深度图到RGB图像的单向交互，这在面对低质量深度图时可能导致编码特征不准确。为解决这一局限性，本文提出在编码阶段尽早引入渐进式的双向交互机制，构建了一种新型的双向传递与选择网络——BTS-Net。该网络采用一组双向传递与选择（Bi-directional Transfer-and-Selection, BTS）模块，在特征编码过程中实现特征的精细化净化。基于所获得的鲁棒编码特征，本文进一步设计了一种高效轻量的分组解码器，以实现精确的最终显著性预测。在六个广泛使用的公开数据集上的大量实验表明，BTS-Net在四个关键评价指标上均超越了16种最新的先进方法，展现出卓越的性能。