Como tecnología central de la inteligencia artificial, la detección de objetos salientes (SOD) es un enfoque importante para mejorar la eficiencia del análisis de imágenes de teledetección al identificar de manera inteligente áreas clave en las imágenes. Sin embargo, los métodos existentes que dependen de una única estrategia, convolución o Transformador, muestran ciertas limitaciones en escenarios complejos de teledetección. Por lo tanto, desarrollamos una Red de Percepción de Colaboración de Características de Doble Flujo (DCPNet) para permitir el trabajo colaborativo y la complementación de características del Transformador y CNN. Primero, adoptamos un extractor de características de doble rama con fuerte sesgo local y características de dependencia a largo plazo para realizar la extracción de características a múltiples escalas de imágenes de teledetección. Luego, presentamos un Módulo de Interacción Consciente de Complementariedad de Múltiples Rutas (MCIM) para refinar y fusionar las representaciones de características de los objetivos salientes de las ramas global y local, logrando una fusión detallada y un alineamiento interactivo de las características de doble rama. Finalmente, propusimos un Módulo de Equilibrio de Peso de Características (FWBM) para equilibrar las características globales y locales, evitando que el modelo sobrevalore la información global a expensas de los detalles locales o que no se aprovechen adecuadamente las pistas globales debido a un enfoque excesivo en la información local. Experimentos extensos en los conjuntos de datos EORSSD y ORSSD demostraron que DCPNet superó a los actuales 19 métodos de vanguardia.