对神经网络中的卷积特征采用分层处理的思想能明显提升显著目标检测的性能。然而，在集成分层特征时，如何获得丰富的全局信息以及有效融合较高层特征空间的全局信息和底层细节信息仍是一个没有解决的问题。为此，提出了一种基于多级全局信息传递模型的显著性检测算法。为了提取丰富的多尺度全局信息，在较高层级引入了多尺度全局特征聚合模块（MGFAM），并且将多层级提取出的全局信息进行特征融合操作；此外，为了同时获得高层特征空间的全局信息和丰富的底层细节信息，将提取到的有判别力的高级全局语义信息以特征传递的方式和较低层次特征进行融合。这些操作可以最大限度提取到高级全局语义信息，同时避免了这些信息在逐步传递到较低层时产生的损失。在ECSSD、PASCAL-S、SOD、HKU-IS等4个数据集上进行实验，实验结果表明，所提算法相较于较先进的NLDF模型，其F-measure（F）值分别提高了0.028、0.05、0.035和0.013，平均绝对误差（MAE）分别降低了0.023、0.03、0.023和0.007。同时，所提算法在准确率、召回率、F-measure值及MAE等指标上也优于几种经典的图像显著性检测方法。