多目标显著性检测,是一个能够从图像中自动检测出两个或者两个以上的显著性物体的计算机视觉处理过程,但因为目标大小不定,位置各异,数目不同,色彩多样,是显著性检测领域新的挑战。超像素分割常用来对图像进行预处理,以提升算法整体性能,本文首先基于“梯度下降”的方式对超像素分割算法进行了研究,随后重点研究了基于超像素分割和“自底向上”思想的面向单幅图像中多个目标的显著性检测算法设计及其应用,主要工作与创新点分为三方面:1.基于非平稳性度量的超像素分割模型:该模型利用信号处理领域随机过程中非平稳性度量的概念,通过基于由欧式空间和色彩空间提取的5维特征向量构建距离度量准则,再利用自动聚类算法对超像素分割效果不断迭代优化,直到收敛为止。模型简单高效。基于公共数据集的实验测试和对比都证明了该算法的有效性。2.基于位置自适应的多目标显著性模型:该模型通过显著性角点检测和自动聚类算法,获得图像中显著性物体的数量、大小和位置信息,得到目标中心先验高斯权重图,利用基于图结构构建的测地线滤波框架,结合背景先验信息,融合后生成高质量的多目标显著性图。在两个公共数据集上的实验测试和对比都证明了该算法的有效性。3.显著性在图像自动裁剪中的应用:该应用旨在初步研究多目标显著性检测成果在图像轮廓检测和目标识别领域的应用,并结合图像自动裁剪任务在两个公共数据集上进行了实验测试,实现了全自动地裁剪图像中多个主要物体的功能。