显著目标检测是通过计算机检测图像中的主要内容,它是机器视觉的重要组成部分。由于人类视觉注意系统的进化与发展,人眼具备迅速而准确地捕获图像中显著区域的特点,而随着计算机视觉技术的需求与发展,人们越来越希望机器能够跟人一样,能够快速而准确地搜索图像中的主要内容。显著目标检测主要研究的就是人类的视觉注意系统并模拟人眼来检测图像中的重要区域。基于视觉注意机制的显著目标检测技术在图像处理、人工智能等计算机视觉的多个领域都具有重要的研究意义。同时,该研究还可以应用在诸如图像检索、图像分割、目标识别与跟踪等各种领域中,它具有重要的应用意义。近年来,由于显著目标检测研究的重要性,它吸引了研究者们广泛的关注,并逐步成为研究热点。为了解决计算机在模拟人眼检测图像中的显著区域时出现的准确率不高和速度慢等问题,研究者们提出了多种计算模型。本文对这些计算模型进行回顾与分析,并从特征融合的角度研究图像显著目标检测方法。首先,传统的显著目标检测算法大多是基于对比度特征的,这些算法虽然取得了一定的成果,但是由于目标个体的行为差异,对比度特征并不能适用于所有情况。所以,针对基于对比度特征算法的适应性不足问题,本文提出融合颜色区别性特征、边界先验特征以及objectness特征来进行显著目标检测。具体来说,本文先从目标角度提取图像的颜色区别性特征,然后从背景角度根据边界先验提取图像的边界先验特征,将提取到的这两种特征进行线性融合以保持显著信息的完整性。随后,提取图像的objectness特征,进行乘法融合来加强显著性,最终得到显著图。其次,本文启发于近年来基于边界先验的显著目标检测算法中关于图像空间布局的思想,提出了融合构图先验特征的显著检测方法。从图像的构成来看,副图像的生成是符合一定的构图法则的,比如最常见的三分构图法。因此,本文做出这样的假设：图像的目标区域主要分布在三分构图线周围。并将这样的知识称之为构图先验。然后将显著性检测视为一个二分类的过程,并使用流行排序算法来计算显著值。首先,根据流行排序算法对图像进行多尺度超像素分割,然后根据超像素分割结果构造闭环图；其次,提取构图线区域超像素的颜色特征,根据构图先验知识将构图线周围的超像素设置为查询节点,使用流行排序算法计算每个超像素的显著值；然后,从目标和背景两个角度对检测的显著区域进行细化并利用像素区别性特征对像素点的显著值进行矫正；最后,为提高显著检测的准确性,融合多尺度显著值得到最终显著图。融合构图先验的显著目标检测方法是根据图像的空间布局,从构图线角度研究显著目标的分布。通过在MSRA-1000、CSSD以及ECSSD这三个公开的数据集上实验验证,表明本文的两种方法跟其他算法相比,算法性能有较大的提升。