近年来，显著性目标检测的进展得益于全卷积神经网络（Fully Convolutional Neural Network, FCN）的发展。多层级卷积特征中包含的显著性线索具有互补性，有助于更准确地检测显著目标。然而，如何有效融合多层级特征仍是显著性检测领域的一个开放性问题。本文提出一种新颖的双向信息传递模型，用于融合多层级特征以实现显著性目标检测。首先，我们设计了一种多尺度上下文感知特征提取模块（Multi-scale Context-aware Feature Extraction Module, MCFEM），以捕获多层级特征图中的丰富上下文信息。随后，构建了一种双向结构，在不同层级特征间进行信息传递，并引入门控函数以调控信息传递的速率。利用经过信息传递后的特征进行显著性图预测，这些特征能够同时编码语义信息与空间细节。最后，通过高效融合预测结果，生成最终的显著性图。在五个基准数据集上的定量与定性实验结果表明，所提出的模型在多种评估指标下均优于当前最先进的方法。