针对目前伪装目标检测(camouflaged object detection,COD)方法中检测结果不完整、边缘细节模糊的问题,提出了一种新颖的前景与背景交互融合网络(FBIFNet),通过前景与背景区域的共同探索来进一步提升COD的性能。FBIFNet中包含了一个关键的双边交互融合模块(BIF),该模块使用一对互补的注意力来引导网络从前景和背景两个方向联合对伪装对象进行推理,并利用基于双向注意机制的交互策略和加权融合策略学习前景与背景间的互补信息。此外,还包含了一个注意力级联定位模块(ACP),ACP能够从全局角度对伪装对象进行定位,并为BIF提供更准确的前景和背景引导。得益于所提出的两个模块,FBIFNet能够更精确地检测伪装目标。3个公共数据集(CAMO、COD10K和NC4K)上进行的大量实验表明,所提出的网络在4个评估指标上均优于相关领域的先进方法。