RGB-D显著物体检测（SOD）最近备受关注，因为它在各种视觉任务中是一项重要的预处理操作。然而，尽管基于深度学习的方法取得了进展，RGB-D SOD 仍然具有挑战性，主要是由于RGB图像与深度图之间存在较大的域差距以及深度图质量较低。为了解决这一问题，我们提出了一种新颖的超像素原型采样网络（SPSN）架构。该模型将输入的RGB图像和深度图分割成超像素组件以生成组件原型。我们设计了一个原型采样网络，使得网络仅采样与显著物体对应的原型。此外，我们还提出了一种依赖选择模块，用于识别每个RGB特征图和深度特征图的质量，并根据其可靠性自适应地加权这些特征图。所提出的方法使模型对RGB图像和深度图之间的不一致性具有鲁棒性，并消除了非显著物体的影响。我们的方法在五个流行的数据库上进行了评估，达到了最先进的性能。通过对比实验，我们证明了所提方法的有效性。