Se han propuesto muchos trabajos sobre la detección de saliencia en imágenes para abordar problemas desafiantes, incluyendo baja iluminación, fondos desordenados, bajo contraste, entre otros. Aunque estos algoritmos han logrado un buen rendimiento, los resultados de detección siguen siendo pobres basados en la modalidad RGB. Inspirados en el reciente progreso de la fusión multimodal, proponemos un nuevo algoritmo de detección de saliencia RGB-térmica a través del aprendizaje de gráficos estático-adaptativos. Específicamente, primero extraemos superpíxeles de las dos modalidades y calculamos su matriz de afinidad. Luego, aprendemos la matriz de afinidad de manera dinámica y construimos un gráfico estático-adaptativo. Finalmente, los mapas de saliencia se pueden obtener mediante un algoritmo de clasificación en dos etapas. Nuestro método se evalúa en el conjunto de datos RGBT-Saliency con once tipos de subconjuntos desafiantes. Los resultados experimentales muestran que el método propuesto tiene un mejor rendimiento de generalización. Los beneficios complementarios de las imágenes RGB y térmicas y la expresión de características más robusta del aprendizaje de gráficos estático-adaptativos crean una forma efectiva de mejorar la efectividad de detección de la saliencia de imágenes en escenas complejas.