随着互联网多媒体技术的迅速发展,大众获取和分享图片的需求也急剧增加,使得计算机对图片内容进行自动识别、理解和分析成为目前计算机视觉领域的一项关键技术。显著性检测可以快速识别图像中的感兴趣区域,并为计算机提供简单有效的内容信息,该技术是处理图像分类、检索、分割、以及目标识别等计算机视觉任务的重要环节。尽管经过几十年的研究和发展,显著性检测出现了诸多优秀的算法。然而,在现实生活中,面对规模巨大的图片数规模、复杂多样的图像内容以及某些特定的实际应用场景,如何准确、快速、有效检测到感兴趣区域、准确的评估检测效果、利用显著性检测方法解决实际应用依然是这一领域尚需研究的问题。目前现有的方法存在准确率和召回率相对较低,F-measure值较低、MAE值较高、面对复杂场景不能准确检测出显著目标、背景区域信息较杂等问题,为此本文针对以上这些存在的问题,采用图像的频率、颜色、空间对比度三个特征,通过多层元胞自动机融合这三种特征,构建显著性检测框架的方法来检测显著目标,在多个数据库上的实验表明,本文方法在主观和客观方面都有了一定程度的提高。具体研究内容和主要贡献如下:（1）梳理了显著性检测算法的原理、现有的经典显著性检测算法的优缺点,明确本文拟采用的数据集和评价指标。（2）计算图像的频域特征,通过对经典的FT算法,引入幂律变换和特征归一化进行改进,提高图像的频域特征保存目标区域信息,抑制背景区域的信息。（3）计算图像的颜色、空间对比度等特征,提出新的融合机制,采用多层元胞自动机机制融合图像的频域、颜色、空间对比度特征计算图像的显著性,通过与其他几种经典的算法进行实验结果的对比和分析,证明本文算法的优点。本文使用四种公开常见的显著性检测数据库进行实验验证,并与其他几种算法进行对比实验,充分说明本文算法的有效性。