随着互联网的快速发展,图像信息爆炸式增长,这对有效图像的筛选需求越来越大,显著性目标检测是模拟人类的视觉注意机制提取图像中最让人感兴趣的区域,从而使计算机忽略背景更加注重前景以提高计算效率。因此,近年来显著性目标检测的研究在图像处理和计算机视觉领域中的作用愈发重要。首先,针对现有的显著性目标检测模型结果中存在部分背景区域的缺点,提出基于目标候选区域(object proposals)实现背景种子预选择的显著性目标检测模型,实验结果表明该模型在扩大背景的同时能保证前景目标的完整性,从而能有效的抑制背景、突出前景,提高显著性性能。其次,针对上述模型仅以目标候选区域的目标得分为标准,大概确定显著目标的位置,并没有用到各个目标候选区域的信息特征的问题,提出通过多示例学习解决显著性检测问题的模型。将目标候选区域作为多示例学习的包,包中的示例是目标候选区域中包含的超像素,同时使用一个能量函数将图像中的外观相似性、空间结构信息和全局唯一性融为一个目标函数对检测结果进行优化,实验结果表明该模型极大地提升了显著检测效果。最后,针对现有的吸收马尔科夫链模型准确选择显著节点比较困难的问题,提出结合深度特征的吸收马尔科夫链的显著性目标检测模型,用从深度网络中提取的图像深度特征得到吸收马尔科夫链模型中的转移概率矩阵,同时应用角度嵌入技术来改进显著性结果,实验结果表明该模型在公开的数据集中取得了较好的检测结果。