Les informations de contour jouent un rôle essentiel dans la détection d'objets saillants. Toutefois, les modèles existants basés sur les contours souffrent encore de nombreux faux positifs dans leurs prédictions en raison d'une fusion insuffisante entre contour et saillance. Dans ce travail, nous avons conçu un réseau permettant d'améliorer la qualité des contours dans la détection d'objets saillants. Nous avons proposé un module de fusion contour-saillance permettant un échange d'informations entre les deux modalités. Nous avons adopté un réseau neuronal convolutif récursif (CNN récursif) afin d'intensifier la fusion contour-saillance tout en maintenant le nombre total de paramètres entraînables inchangé. En outre, nous avons conçu un module d'extraction de caractéristiques par étapes afin d’aider le modèle à sélectionner les caractéristiques les plus pertinentes issues des prédictions intermédiaires de saillance précédentes. Par ailleurs, nous avons introduit deux nouvelles fonctions de perte, nommées respectivement Dual Confinement Loss et Confidence Loss, afin d’améliorer la précision des prédictions de contour. Les résultats d’évaluation sur cinq jeux de données standard révèlent que notre modèle atteint des performances compétitives parmi les meilleures actuelles.