近年来，深度学习在显著目标检测问题上取得了显著成果。大多数这些模型基于编码器和解码器结构，并采用了不同的多特征组合方法。本文表明，特征拼接（Feature Concatenation）比其他组合方法如乘法或加法效果更好。此外，联合特征学习由于在处理过程中实现了信息共享，因此能获得更好的结果。我们设计了一个互补提取模块（Complementary Extraction Module, CEM），用于提取必要的特征并保留边缘信息。我们提出的过度损失函数（Excessiveness Loss, EL）有助于减少误报预测，并通过与其他加权损失函数结合来净化边缘。我们设计的金字塔语义模块（Pyramid-Semantic Module, PSM）结合全局引导流（Global Guiding Flow, G），通过向浅层提供高层次的互补信息，使预测更加准确。实验结果表明，所提出的模型在所有基准数据集上的三种评估指标下均优于现有最先进方法。