在计算机视觉领域中,构造视觉注意模型提取图像的显著图是近年的一个研究热点。然而,由于现实中图像前景和背景千变万化,而且交织在一起,错综复杂,想要准确地提取图像的显著区域极具挑战。近年来,随着显著性检测技术的不断发展,使得人们能够在目标检测过程中,选择图像中“有用”的数据进行计算,这不仅降低了计算复杂度与内存开销,而且由于剔除了冗余信息,也提高了检测的准确性。因此,研究如何利用这些选择后的数据进行目标检测变得十分有意义。本文首先提出了一种基于背景知识学习的视觉注意模型。该模型在提取显著图时主要包含两个步骤,第一步是计算图像中超像素的权重值,第二步则是利用局部加权对比度来计算超像素的显著值。针对这两个步骤,本文首先提出了一种超像素加权模型框架,该框架包括超像素块提取、形状与颜色特征提取和权重值预测三个部分。在此基础上,本文提出了一种基于局部加权对比度的显著值计算方法,该方法以超像素为计算单元,计算每个超像素块与其他超像素块在颜色和空间信息上的差异,并将该差异值作为显著值。实验结果表明,本文提出的基于背景知识学习的视觉注意模型能够有效地提高检测精度,与已有模型相比,本文模型在MSRA1000和ECSSD两个公共数据集上检测得到的显著图具有更高的分辨率和平均精度,目标区域内的显著值分布更加均匀,前景与背景边界更加明显。本文还提出了一种基于参数学习的目标检测算法。该方法首先利用本文提出的视觉注意模型提取图像的显著图,然后在显著图的基础上构造窗口质量函数,并建立基于贝叶斯概率模型的最优化问题来确定窗口质量函数的最优参数,最后,利用动态规划算法来计算窗口质量函数的极值点,该极值点的坐标即为目标窗口的位置。相比于文献[1]提出的目标检测模型,本文提出的目标检测算法在MSRA1000和ECSSD两个公共数据集上的检测结果具有更高的精度。同时,检测结果表明本文提出的视觉注意模型与文献[2]提出的模型相比,在目标检测方面具有更大的优势。