在大数据时代,社会图像和视频数据随处可见,并且数量在急剧增长,能够从这大量的数据中提取出有用的信息至关重要。图像显著性检测是寻找图像感兴趣区域的经典方法之一,也一直是计算机视觉领域的研究热点。本文提出了一种基于多尺度模糊宽度学习的新的显著性检测方法。本文研究工作如下:(1)首先,通过SLIC超像素分割算法按三个尺度将图像分割成不同尺度的超像素块。这样能够利用图像的颜色信息,很好地保留图像内容的完整性。然后利用这些分割图像的超像素块,计算每块的平均颜色得到颜色特征,并使用局部二值模式算法(Local Binary Patterns)提取这些块的纹理特征为接下来的网络训练做准备。(2)然后,针对目前用于提取图像高层信息的深度学习神经网络耗时过长的问题,本文提出了将模糊宽度学习网络(Fuzzy Broad Learning System)用于对图像高层显著性信息的提取的方案,通过对网络的训练、调参,使得网络能够按三种不同尺度分割的图像生成不同的显著性图,此方法可大幅度减少图像高层信息提取的时间。(3)最后,融合三种不同尺度的显著性图,得到初始显著性图,并使用标签传播算法(Label Propagation Algorithm)对其进一步优化,增强图像前景和背景的对比度得到最终的显著性图。本文在六种常用的基准数据集上进行了大量的实验。实验结果表明,该算法具有较好的性能,训练效率高。