图像显著性检测的目的是找到自然图像中最吸引人注意力的目标,为后续的图像处理提供便利,已经广泛应用于视觉跟踪、图像检索、语义分割等多个场景中。现有的图像显著性检测方法在大多数自然场景下已经取得了良好的检测效果,但是这些方法仍存在准确度不高、目标区域不够完整、边界模糊等问题。针对这些问题,本文提出了两种显著性检测算法,并在此基础上实现一个显著性检测系统。本文的主要研究工作如下:针对大多数显著性检测方法只考虑局部对比度而忽略全局信息,造成准确度不高的问题,提出一种基于局部和全局特征融合的显著性检测算法。首先,结合图像的中心先验、目标性先验、暗通道先验信息以及局部对比度进行显著值的计算,在多尺度融合的策略下生成局部显著图。然后,构建全卷积神经网络模型,以实现对图像像素显著性值的预测,进而生成全局显著图。最后,将局部显著图和全局显著图进行融合得到最终的显著图。实验结果表明,所提算法具有更高的F-measure和更低的MAE值,同时能够得到比较准确的显著性区域。针对复杂场景中检测到的显著性目标存在目标区域不够完整以及边界模糊问题,提出一种基于多级特征融合的显著性检测算法。首先,提取多层次的特征信息,并嵌入感受野模块获取丰富的上下文特征信息。然后,进行多级特征融合,保证显著性检测区域的完整性。最后,构建边界优化模块,优化显著目标的边界,输出最终显著图。实验结果表明,所提算法得到的显著区域更加完整且目标边缘更加清晰,在各项评价指标对比中,均取得较好的性能。在上述工作的基础上,基于PyQt5图像化编程技术,实现一个图像显著性检测系统。对任意输入的一张图像,该系统可以执行显著性检测操作,生成对应的显著图,进而增强显著性检测的可操作性。