深度传感器的大规模应用为RGBD图像中的显著目标检测（SOD）提供了宝贵且互补的信息。然而，由于RGB信息与深度信息之间存在固有差异，直接使用在ImageNet上预训练的骨干网络提取深度通道特征，并将其与RGB特征进行融合，往往并非最优方案。为此，本文将对比先验（contrast prior）引入基于CNN的架构中，该先验在传统非深度学习方法中曾是主导性线索，用于增强深度信息的表征能力。经过增强的深度线索进一步与RGB特征融合，以实现显著目标检测，融合过程采用一种新颖的流体金字塔融合机制（fluid pyramid fusion），能够更有效地利用多尺度跨模态特征。在5个具有挑战性的基准数据集上进行的全面实验表明，所提出的CPFP架构在性能上优于9种现有的先进方法，充分验证了其优越性。