图像和视频信息的爆发式增长给人们的教育、娱乐和消费等带来极大的便利,同时也给视觉信息处理技术如图像视频的分析和应用带来巨大的挑战。为了将有限的计算资源应用到视觉信息处理,并从海量的信息中提取重要内容,研究人员借鉴人类视觉注意机制,展开对视觉显著性检测的研究。视觉显著性检测可分为视觉注视点预测和显著性目标检测,本文主要针对显著性目标检测进行研究。现有的显著性目标检测模型提出了许多有价值的特征和先验,但这些特征和先验只能保证算法在特定场景中的鲁棒性,具有一定的局限性。因此,本文针对目标性、紧致性、对比度和边界连通性等特征的不足进行研究,并对特征融合方法进行改进,提出五种显著性目标检测模型,以增强算法对不同图像的适应能力,提高在不同数据集上检测的准确性。论文主要工作及贡献如下:（1）提出基于图像块的目标性和边界连通性的显著性优化算法。目标性先验能够定位图像中显著目标的位置,但是不能准确描述目标的边界信息,而图像的超像素分割能够突出目标边界信息。为使目标性先验具有边界信息,将两者结合得到基于图像块的目标性先验。由于边界连通性先验能够较好突出前景目标,将边界连通性和基于图像块的目标性先验结合,并利用中心先验对其进行优化,得到最终的显著图。该算法能够改善原有目标性先验的不足,提高显著性目标检测的精度。但是,当面对目标较大或目标由多部分组成的图像时,检测结果不完整。（2）提出融合紧致性、对比度和边界连通性的显著性目标检测算法。为了使算法能够有效检测出图像中较大的或由多部分组成的目标,通过对相似矩阵进行流形排序,并以此为权重矩阵,提出基于距离加权的紧致性和对比度特征。由于图像中目标的大小和形状各异,单一分割尺度下进行检测效果不佳,因此,结合紧致性、对比度特征和边界连通性,同时考虑计算效率,在四种分割尺度下进行显著性检测,并对结果进行合并得到最终的显著图。本算法在不同分割尺度下融合三种特征,能够有效地描述目标与背景的分布,使得检测出的目标更加完整,检测准确性得到进一步提升。该算法对目标和背景较为简单的图像有效,当背景变得复杂时,容易造成背景误检。（3）提出基于紧致性和前景连通性的显著性目标检测算法。为了提高算法对复杂背景的适应能力,以相似矩阵为权重,对图像块之间的空间距离进行加权得到基于空间对比的紧致性,然后对图像块到图像中心距离进行加权得到基于中心对比的紧致性,并结合两者进行流形排序,得到新的紧致性特征。另一方面,通过阈值从该紧致性特征中提取前景种子节点来代替背景种子节点,得到基于前景种子节点的前景连通性。最后,在多分割尺度下融合该紧致性特征和前景连通性,得到最终的显著图。该算法能够突出完整目标,并且能够有效抑制复杂背景带来的影响,进一步提高显著性目标检测的准确性。但是,当目标与背景特征相似时,该算法容易将这些背景区域检测为前景。（4）提出基于多特征流形排序的显著性目标检测算法。为了增强对相似目标和背景的区分能力,该算法通过引入不同的特征进行权重计算,以此构建两种无向赋权图。并以这些图为基础,分别对图像的边界和边界连通性进行流形排序,得到两个不同的显著性检测结果。最后在多分割尺度下将这两种检测结果融合得到最终的显著图。相比使用单一特征进行检测,通过增加不同特征,使得算法能够有效区分前景和背景相似的区域,增强算法的鲁棒性。但是,该算法容易使检测出的显著目标周围出现误检。（5）提出基于多特征流形排序和联合连通性的显著性目标检测算法。为了减少目标周围误检的出现,本算法使用多种特征计算顶点间边的权重,通过阈值剔除相似性较小的边,选择相似性较大的边进行连接,得到新的流形排序图。并以此图为基础,对图像四个边界区域分别进行流形排序并融合,得到基于不同边界的显著图。另外,通过合并边界连通性和前景连通性先验,得到基于联合连通性先验的显著图。最后在多分割尺度下融合两者,得到最终的显著图。该算法通过对边的连接进行选择,能够有效减少目标周围误检的出现,提高算法的准确性。