随着智能信息技术的发展,图像已经融入到人们生活的方方面面,在给人们带来巨大方便的同时,大量的图像信息也对相关处理技术提出了极大挑战。作为计算机视觉领域中具有代表性的问题之一,显著性检测通过模拟人类自底向上和自顶向下的视觉注意机制,旨在高效准确地检测出场景中人们感兴趣的区域,被广泛应用于各种计算机视觉任务和工业生产缺陷检测等。本文围绕视觉注意机制理论,研究了不同时期的图像显著性检测算法,在此基础上,建立了两种图像显著性检测模型,主要工作包括:1)提出了一种融合多先验与稀疏重构的显著性检测算法。对传统背景先验知识进行改进,提取更可靠的背景模板,有效解决了显著区域与图像边界相接触的问题。从背景和前景两个角度出发,一方面,通过颜色特征和空间信息计算区域对比度,得到基于可靠背景模板的显著图;另一方面,以可靠背景模板作为稀疏表示的字典进行稀疏误差重构,从而恢复出显著信息,再利用目标偏置的高斯模型对显著信息进行增强得到显著图。最后,通过融合策略对两部分显著图进行融合。算法在MSRA1000数据集上的平均准确率达到89.92%,平均召回率为86.14%,F-measure为89.02%;在ECSSD数据集上的平均准确率达到78.92%,平均召回率为70.84%,F-measure为76.89%。实验结果表明,该算法在检测出显著目标的同时能够有效抑制背景信息。2)提出了一种目标感知引导下的图像显著性检测算法。构造一种全卷积神经网络来有效学习图像中丰富的高层语义信息,设计反卷积操作解决输入输出分辨率不匹配问题,通过网络训练得到像素级别的显著目标区域;然后,针对显著目标边缘模糊问题,在多尺度下用目标感知的结果引导流行排序,完成目标边缘显著性的传播。在3个场景较复杂的数据集上进行实验,与9种对比算法中最先进的相比,本文算法的F-measure值在ECSSD数据集上提高了3.0%,在DUT-OMRON数据集上提高了9.2%,在SED2数据集上提高了1.5%。实验结果表明,该算法检测出的显著目标更加完整,在复杂场景下检测结果更为鲁棒。