近年来,视觉显著性检测是计算机视觉领域的研究热点之一。它通过一系列处理,从图像中提取出人们感兴趣区域的信息(即图像显著性),实现了人眼对图像信息的高效获取和处理。目前,视觉显著性检测模型已被广泛地应用于物体识别与检测、图像质量评价和图像检索等领域。由于图像中物体结构的复杂性和背景物体干扰等问题,视觉显著性检测任务具有很大的挑战性。本文主要研究如何结合空间一致性和多层结构信息来提高视觉显著性检测的准确率。首先,本文研究了低秩矩阵表示方法在计算机视觉领域中的应用,分析了其在特征表达和图像表示中的优势,提出了一种基于结构性低秩编码的视觉显著性模型。该模型在低秩矩阵表示方法基础上,结合字典学习机制,可以有效地结合图像块之间的空间一致性和结构信息一致性,提取出图像块之间的差异信息,从而为视觉显著性检测提供一个更具判别性的图像块表示。在包含行人、自行车和汽车三个目标类的Graz-02数据集和互联网汽车数据集上进行实验,本文提出的模型相比于基于图像分类框架的视觉显著性模型的平均检测准确率分别提升了3.3%、1.6%、5.6%和6.7%。实验结果表明,该模型可以有效地结合图像块之间的空间一致性和结构信息一致性,得到更具判别性的图像块级别的特征表示,从而提升显著性物体的检测结果。本文还研究了显著性检测中的局部特征合并方法,并提出了一种多子块上下文空间合并方法。该方法提取出图像块的多层结构信息,即邻域上下文结构信息和不同空间方向上的上下文结构信息。同时,该方法加入了信息过滤函数,增强了对尺度变化的鲁棒性。基于该方法,结合结构性低秩编码,本文还提出了一种结合多层结构信息的视觉显著性检测模型,该模型可以有效地将图像块的空间一致性和多层结构信息相结合,提供一个更具判别性的图像块表示。在Graz-02数据集上的三个目标物体类上进行实验,多子块上下文空间合并方法的平均准确率相比于上下文空间合并方法分别提高了3.8%、3.9%和5.1%;结合多层结构信息的视觉显著性检测模型的平均准确率相比于上下文空间合并方法分别提升了7.9%、6.4%和11%。实验结果表明,本文提出的方法和模型可以有效地提升视觉显著性检测的平均准确率;同时,当尺度大小从最优尺度开始继续增加时,多子块上下文空间合并的平均准确率基本维持不变,说明该方法对邻域尺度变化具有较强的鲁棒性。