轮廓信息在显著性目标检测中起着至关重要的作用。然而，现有的基于轮廓的模型在预测中仍存在过多误检（false positives），主要原因在于轮廓与显著性特征之间的融合不足。为此，本文设计了一种新型网络，以提升显著性目标检测中的边缘质量。我们提出了一种轮廓-显著性融合模块，用于在轮廓信息与显著性特征之间进行高效的信息交互。通过引入递归卷积神经网络（recursive CNN），在保持总可训练参数量不变的前提下，增强了轮廓与显著性特征的融合能力。此外，我们设计了一种分阶段特征提取模块，使模型能够从先前的中间显著性预测结果中筛选出最具价值的特征。同时，本文还提出了两种新的损失函数——双约束损失（Dual Confinement Loss）与置信度损失（Confidence Loss），以引导模型生成更精确的边界预测。在五个常用基准数据集上的实验结果表明，所提模型取得了具有竞争力的最先进性能。