上下文信息的有效融合对于显著性目标检测至关重要。为实现这一目标，现有基于“跳跃连接”（skip）架构的方法主要关注如何整合卷积神经网络（CNN）的层次化特征，通常通过简单的拼接（concatenation）或逐元素运算来融合高层语义信息与低层细节特征。然而，这种处理方式可能导致预测质量下降，因为冗余和噪声信息也可能被传递至后续阶段。为解决该问题，本文提出一种全局循环定位网络（Global Recurrent Localization Network, RLN），通过加权响应图（weighted response map）有效利用上下文信息，从而更精确地定位显著性目标。特别地，引入循环模块在多个时间步上逐步优化CNN内部结构。此外，为有效恢复目标边界，本文进一步设计了一种局部边界精炼网络（Boundary Refinement Network, BRN），用于自适应地学习每个空间位置的局部上下文信息。所学习到的传播系数能够最优地捕捉像素与其邻域之间的关联关系。在五个具有挑战性的公开数据集上的实验结果表明，所提方法在主流评估指标上均优于现有各类方法，展现出优异的性能。