传统的显著性目标检测算法习惯于应用图像底层特征,或者采用大量的含有人工标注真值的样本图像训练一个高层学习模型。然而在本文中,我们提出了两种显著性检测方法,其中既应用了底层特征,同时也研究开发了无需人工标签的学习模型。第一种方法为基于引导学习的模型,该方法包含了弱显著性检测模型和强显著性检测模型两部分,步骤如下：首先,我们基于图像先验信息以及区域对比度信息构建弱显著图,该图为之后的强显著性检测模型提供可靠的训练样本。其次,利用上述方法在同一张图片的多个尺度内提取样本集合,并根据该样本采用多核学习增强的方法训练得到一个强显著性检测模型,再将该模型应用到该图片的所有测试样本中,得到强显著图。然后,融合多尺度的强显著图进一步提高显著图的准确性。最后,我们结合弱显著图与强显著图作为基于引导学习方法的最终显著图。另外一种算法是基于局部约束线性编码方法,该方法结合了局部与全局特征进行显著性目标检测,步骤如下：首先,通过考虑基于底层特征的全局信息构建一个自底向上的显著性检测模型,与第一种方法的弱显著图类似,自底向上的显著图为之后的基于编码的方法提供前景以及背景字典。接下来,本文采用基于局部约束线性编码方法,根据重构误差构建自顶向下的显著图。最后,结合自底向上以及自顶向下的两种显著图得到最终的显著性检测结果。本文在六个公开的显著性检测数据库上对本文提出的算法以及19种国际领先的算法进行对比评测,评测标准为该领域广泛应用的三种方法：准确率-召回率曲线(P-R)、ROC曲线下面积(AUC)以及F-measure值。本文通过大量的实验证明了本文算法的有效性和鲁棒性,并且与现有模型相比具有明显的优越性。此外,本文提出的两种方法能够很容易的应用于其他现有算法,从而大幅度提高其他算法的性能。