Con el rápido desarrollo de las redes neuronales en los últimos años, la detección de saliencia basada en aprendizaje profundo ha logrado grandes avances. La mayoría de los algoritmos de detección de saliencia profunda se basan en redes neuronales convolucionales, que aún tienen un gran margen de mejora en la precisión de los bordes en el reconocimiento de objetos salientes, lo que puede llevar a resultados difusos en aplicaciones prácticas como el enmascaramiento de imágenes. Para mejorar la precisión de la detección, en este artículo se propone un modelo de detección de saliencia basado en segmentación semántica suave. Primero, el módulo de segmentación semántica combina la extinción espectral y el modelo de red residual para obtener características de color de bajo nivel y características semánticas de alto nivel, que pueden segmentar claramente todo tipo de objetos en la imagen. Luego, el módulo de detección de saliencia localiza la posición y el contorno del cuerpo principal del objeto, y los resultados precisos de los bordes se obtienen después del procesamiento de los dos módulos. Finalmente, en comparación con otros 11 algoritmos en el conjunto de datos DUTS-TEST, el valor de la medida F ponderada del algoritmo propuesto se clasificó en primer lugar, con un aumento del 5.8% en comparación con el algoritmo original de detección de saliencia, y la precisión mejoró significativamente.