随着互联网的快速普及与发展,人们接触到的图像数据正以惊人的速度增长。相比如此海量的视觉信息,可用的计算资源显得十分有限,因此人们迫切希望找到一种符合人类视觉认知系统的信息选择模型,将有限的计算资源分配给重要的视觉信息,从而减少资源的浪费。针对这方面的需求,基于人眼选择注意机制的图像显著性检测逐渐成为了计算机视觉领域的研究热点。本文基于多示例学习算法对图像显著性分析进行研究,主要工作分为以下两方面：1.提出了一种单幅图像显著性分析算法。为了更好的保留与突变信号相对应像素的特性,该算法采用区域相关的相对特征对示例进行描述。结合EC-SVM多示例学习框架,该算法对大量带有显著区域标记的图像进行学习,获取了一个能够实现对新输入图像的区域进行正反包分类的判别模型。通过与几种主流的显著性分析算法进行对比,该算法在显著区域检测效果上具有明显优势。2.提出了一种群组图像协同显著性分析算法。为了避免群组图像中具有较高一致性的背景区域被赋予显著标记,该算法采用图像检索技术选择与输入图像背景相似的图像作为反包。为了满足提取的协同显著区域在所属图像内同样满足视觉显著的条件,该算法将多样性密度算法进行了改进,结合单幅图像显著图中各区域显著度的高低,为示例赋予一定的初始权重。最后根据每个示例多样性密度值的大小生成协同显著图。通过在iCoseg图像库上进行实验,证明该算法具有良好的性能。