在过去的几年中,随着计算机视觉领域的不断发展,显著性检测领域也得到了人们的关注。作为图像的预处理,它被应用到了计算机视觉的许多领域之中,例如图像分割,图像检索,图像分类,图像识别等。虽然该领域取得了较大的研究进展,但就整体而言,仍然存在着很大的挑战。监督学习训练过程通常需要大量的人工标记数据,标记显著区域需要花费大量的资源,而且许多训练样本中存在冗余信息,这些冗余信息反而会对模型精度造成负面影响。主动学习利用选择机制选择信息量较大的样本进行训练,实现使用较少的训练样本获得更高模型精度的目的。基于此,本文在核子空间排序算法(Kernelized Subspace Ranking,KSR)的基础上,将主动学习(Active Learning,AL)的思路与之结合,提出了一种基于子空间主动排序的显著性检测方法(KSR-AL)。本文给出了两种基于池的主动学习策略,分别考虑未标记样本的不确定性和多样性来挑选信息量较大的样本参与训练,实现减少训练样本数量,降低标记成本的目的。本文提取目标级区域候选分割(Proposals)的卷积神经网络CNN特征,利用子空间映射和排序支持向量机联合学习一个排序器,该排序器对测试图像的区域候选分割进行显著性排序,将排序靠前的区域候选分割加权融合得到显著图。最后,为了优化显著图的目标边界,本文设计了一种超像素级的后处理方法进一步提升性能。本文算法降低了标注成本,同时减少了训练集的冗余,使得实验效果相较于原始KSR算法有了很大提升。在四个经典数据库上的对比实验表明本文方法的性能优于许多经典算法。