La détection de la saillance d'images a récemment connu des progrès rapides grâce aux réseaux neuronaux convolutifs profonds. Cependant, aucune des méthodes existantes n'est capable d'identifier les instances d'objets dans les régions saillantes détectées. Dans cet article, nous présentons une méthode de segmentation d'instances saillantes qui génère un masque de saillance avec des étiquettes distinctes pour chaque instance d'objet à partir d'une image d'entrée. Notre méthode se compose de trois étapes : l'estimation de la carte de saillance, la détection des contours des objets saillants et l'identification des instances d'objets saillants. Pour les deux premières étapes, nous proposons un réseau de raffinement de saillance multi-échelle, qui produit des masques de régions saillantes et des contours d'objets saillants de haute qualité. Une fois intégré à un groupement combinatoire multi-échelle et à un cadre d'optimisation de sous-ensemble basé sur le MAP (Maximum A Posteriori), notre méthode peut générer des résultats très prometteurs en termes de segmentation d'instances d'objets saillants. Pour favoriser une recherche et une évaluation plus approfondies en segmentation d'instances saillantes, nous avons également construit une nouvelle base de données comprenant 1000 images et leurs annotations pixel par pixel d'instances saillantes. Les résultats expérimentaux montrent que notre méthode proposée est capable d'atteindre des performances au niveau de l'état de l'art sur tous les benchmarks publics pour la détection de régions saillantes ainsi que sur notre nouveau jeu de données pour la segmentation d'instances saillantes.