深度卷积神经网络（CNNs）在许多计算机视觉任务中表现出色。本文提出了一种新颖的全卷积网络模型，用于精确的显著目标检测。本研究的关键贡献在于学习深度不确定卷积特征（UCF），这些特征有助于提高显著性检测的鲁棒性和准确性。我们通过在特定卷积层之后引入重新设计的dropout机制（R-dropout）来构建内部特征单元的不确定性集合，从而实现这一目标。此外，我们还提出了一种有效的混合上采样方法，以减少解卷积算子在解码器网络中产生的棋盘效应。所提出的这些方法也可应用于其他深度卷积网络。与现有的显著性检测方法相比，所提出的UCF模型能够结合不确定性，从而实现更准确的目标边界推断。大量实验表明，我们的显著性检测模型在与现有最先进方法的竞争中表现优异。不确定特征学习机制以及上采样方法可以显著提升其他像素级视觉任务的性能。