随着互联网与图像视频技术的发展，需要处理的视觉数据规模越来越大，内容也越来越复杂，海量的视觉数据带来方便的同时也为处理方法提出了新的要求。因此视觉显著性检测技术成为近年来众多学者研究的热点。视觉显著性检测方法可以自动检测、分析和处理视觉数据中对人们重要的视觉信息，可以帮助计算机对海量视觉数据进行有效处理。本文从视觉显著性检测所面临的需求出发，对视觉显著性检测技术进行研究。具体研究如下：　　首先研究了基于局部对比度的图像显著性检测方法。利用贝叶斯理论计算图像显著性，针对传统基于贝叶斯理论给定固定窗口、鲁棒性不足的问题进一步研究基于贝叶斯理论图像显著性检测。为了满足图像显著性检测需求，深入研究了基于贝叶斯理论的图像显著性检测方法。首先分析图像的纹理信息，根据图像聚焦区域确定窗口大小，然后根据贝叶斯理论计算窗口的显著值。最后滑动窗口计算整幅图像的显著性，从而完成图像显著性区域检测。　　其次研究了基于全局对比度的图像显著性检测。在分析局部对比度的显著性检测模型的劣势后，方向转向为基于全局对比度的图像显著性检测模型研究，提出了两种模型：一种是在经典的多特征多尺度融合的图像显著检测框架上，针对该文献的显著检测效果更趋近于关注点检测，而不是显著区域检测。提出基于多特征多尺度融合框架，并利用新的方向特征提取方法改进多特征多尺度融合模型，从而提升显著区域检测的准确性；另一种是针对基于区域对比度显著性检测模型造成的显著图的涂抹效应的问题，研究基于全局对比度的图像显著性检测，提出一种多尺度超像素显著性检测模型，解决了由于采用对比度检测显著物体带来的显著图涂抹效应。　　最后研究了立体图像显著性检测方法。针对基于全局对比度面对复杂背景适应性不足的问题，加入深度信息，首先结合深度信息提出了一种深度信息显著性检测方法，然后提出了一种基于DCT系数的平面图像显著性检测方法。最后分别在空域和变换域与深度信息结合检测图像显著性，实现立体图像显著性检测。结果表明结合深度信息检测图像显著性可以解决全局对比度面对复杂背景适应性不足的问题。