近年来,互联网及计算机技术蓬勃发展,图形信息呈喷发态势增长。图像中蕴藏的信息是十分丰富的,如何快速地从众多的信息中定位出感兴趣的目标并获取相应的信息,是人们迫切希望解决的问题。计算机视觉作为当前的热门研究领域,致力于通过模拟人类视觉机制从图像或视频等中实现目标信息的快速获取并加以应用。图像作为视觉信息的主要来源,是计算机视觉中研究的重点。视觉注意机制的引入,为计算机视觉技术快速定位兴趣目标,减少冗余信息处理工作提供了新的思路,引发了国内外学者的研究热情。显著性是视觉注意机制在计算机领域的表述,显著目标检测是计算机视觉领域一个重要的研究内容,其最核心的部分在于目标的显著性计算及提取算法研究。基于此本文研究了显著目标检测及提取算法。主要研究内容如下:(1)针对传统的Otsu方法进行阈值分割时存在过分割且易受噪声影响,引入稳定随机数机制的布谷鸟算法(MCS)没能解决算法后期活性不足,收敛变慢的问题,提出一种基于改进布谷鸟算法(MSCS)的Otsu阈值分割方法。引入动态步长控制因子,提升最优解搜寻的能力,加速收敛;引入惯性权重因子减少局部最优状况,提升解的精度。结合MSCS与Otsu方法进行图像分割,并与同类算法的分割效果进行对比分析。(2)针对局部特征显著性检测侧重轮廓显著会流失对象细节的问题,提出基于协方差的多尺度局部-区域显著性检测(LRS)方法。分析现有显著检测方法的不足,构建新的模型:在基于协方差的局部显著性检测算法(CovSal)基础上引入区域显著性检测方法,缓解显著图镂空的状况,并将融合的局部-区域显著性扩展到多尺度条件下线性结合生成最终的显著图。然后将提出的LRS方法与同类方法的检测结果进行对比分析。(3)针对现有的融合策略显著检测方法在目标提取时,大多采用常规的先检测再分割机制,有时难以准确的提取出目标的问题,提出基于MSCS分割融合策略的LRS显著目标提取方法。首先用MSCS分别提取LRS的局部与区域显著检测结果,按照一定比例融合并线性扩展到多尺度下提取目标。将提取结果与同类方法分别在标准库与现实采集图下进行对比评估,验证算法的有效性。