在本研究中，我们提出了一种新型的深度引导多尺度循环注意力网络，用于显著性检测。该方法在复杂场景下表现出显著的性能优势。我们的网络在实验中验证了三大主要贡献，均展现出显著的实际应用价值。首先，我们设计了一种高效的深度精炼模块，通过残差连接充分提取并融合来自RGB流与深度流的多层次互补线索。其次，创新性地将富含空间信息的深度线索与多尺度上下文特征相结合，从而更精准地定位显著目标。第三，受人脑内部生成机制启发，我们引入了一种新颖的循环注意力模块，通过全面学习融合特征的内在语义关系，并借助面向记忆的场景理解机制，逐步优化局部细节，显著提升了模型性能。此外，我们构建了一个大规模的RGB-D数据集，涵盖更为复杂的场景，有助于对显著性检测模型进行更全面的评估。在六个公开数据集及自建数据集上的大量实验表明，所提方法能够准确识别显著目标，并在与16种先进RGB及RGB-D方法的对比中始终取得更优的性能表现。