在现实世界中,人类通过视觉系统迅速的搜索和感知具有吸引力的区域,从而提取出关键信息。身处于大数据时代,电子设备带来了海量图像类数据,利用计算机技术模拟人眼视觉注意力机制,也就是显著目标检测的研究内容。在计算机视觉中,显著目标检测是关键的预处理步骤,通过关注显著目标以减少计算的工作量,这被广泛应用在图像检索,图像分割,目标检测和识别等技术领域。在显著目标检测领域,目前分为两个研究方向:单幅图像显著目标检测和多幅图像显著目标检测。近年来RGB图像显著性检测方法发展快速,这些方法都是针对2D图像进行处理,但是显著性检测在3D视觉中也有切实的应用场景。随着RGB-D图像的出现,深度信息逐渐被挖掘,人们利用彩色信息和深度信息自动定位人体感兴趣的物体,降低了视觉分析的复杂性,RGB-D图像显著性检测研究也受到了更多人的青睐。根据上述,显著目标检测又可以分为RGB单幅图像显著目标检测、RGB-D单幅图像显著目标检测、RGB协同显著目标检测、RGBD协同显著目标检测,本文的研究方向为RGB-D单幅图像显著目标检测。对于RGB-D图像显著性检测任务,如何获得具有判别性的深度特征是第一关键问题,第二问题就是如何使低级特征和深度特征更有效的结合。另一方面,随着机器学习(Machine Learning)的深入研究,机器学习方法可以对数据进行划分,训练出优秀的模型,并利用模型预测分离出前景与背景。然而,这些效果良好的分类器方法主要在RGB显著目标检测领域得到较多应用,并未在RGB-D显著目标检测领域得到较好的发展。基于上述问题,本文的工作有两个方面。本文提出了一种背景和前景融合的RGB-D显著性检测模型,将深度信息同时考虑到背景和前景中提取出显著区域。首先,通过图像边界信息的背景测量机制来去除前景噪声并从边界超像素中选择背景种子,从而计算出基于背景的显著图;其次,将输入的图像构造成图,并将深度信息引入到图形结构中,利用颜色、深度、位置等线索获取前景种子,从而计算出基于前景的显著图;最后,将背景图和前景图融合获得初始显著图,再加以元胞优化,迭代传播后得到最终的显著图。在RGB-D数据集LFSD、NJU400、NJU2000上进行对比实验,实验结果表明,本文方法具备有效性,同时也提高了准确率。鉴于传统方法主要利用人为设计的低级特征来进行显著性检测任务,本文通过研究机器学习,提出了一种基于多示例学习的RGB-D显著性检测方法。首先,提取图像特征,对图像进行多尺度的超像素分割,并提取相应的RGB特征和深度特征;其次,根据深度特征和暗通道特征得到弱显著图,并将弱显著图分离出正负样本训练集,经过关键示例支持向量机(KI-SVM)分类,得到初始显著图;最后,将多尺度的弱显著图与初始显著图融合得到最终的结果。在RGB-D数据集NLPR1000上进行评估实验,实验结果表明,本文的模型获得了较好的效果。