近年来，随着计算机和多媒体信息技术的迅速发展，图像和三维模型等数据也呈现出几何倍数增长。但同时，这些海量的数据也给人们对关键信息的获取带来了巨大的工作量和挑战。因此，人们希望计算机能够模拟人类的视觉感知系统，快速准确的对这些海量数据进行处理，并从中得到有用的信息。视觉显著性是近年来计算机视觉领域所提出用来模拟人类视觉系统的概念，其主要研究内容是建立数学模型来模拟人类视觉系统，并在此基础上帮助人们高效地处理数据，进而从二维或三维场景中获取感兴趣的信息。　　本文对目前该领域的研究现状进行了较系统的分析，并对基于共生直方图显著性模型进行了深入研究，在此基础上开展了理论和应用方面的工作，主要的研究内容和成果包括：　　1)总结了现有基于图像共生直方图的显著性检测算法，分析其不足，得到进一步改进的思路和方法，提出了一种通过信息量增强改进后的共生直方图显著性检测方法。实验结果表明该方法可以很好抑制背景边缘区域，相对原方法在准确性和鲁棒性上都具有较为明显的改善。　　2)对二维图像显著性检测算法进行分析，找出二维图像与三维图形的相似之处，确立了像素值到曲率值的转换关系和二维图像邻域到三维模型邻域的转换关系，建立了曲率共生直方图模型，并在此基础上提出了基于曲率共生直方图的显著性检测算法。通过实验分析，该算法相对于现有一些算法不仅大大提高了运算速度而且取得了相对较好的结果。　　3)研究了基于曲率共生直方图的显著度在配准和网格简化方面的应用。首先根据显著度值大小对模型进行采样，使用 ICP算法对采样点进行配准；其次是将所得到的显著度值作为权值对二次误差矩阵进行加权，应用到网格简化中。实验表明，较之已有的视觉显著性检测算法，本文算法在配准和网格简化中都取得了更好的结果。　　本文以共生直方图为基础，提出了针对二维图像和三维图形的显著性检测算法，与现有的显著性检测算法相比，取得了较好的实验结果，同时也为后续显著性检测的研究和应用提供了理论依据。