显著性检测技术主要用来寻找图像中引起人类视觉认知系统兴趣的图像区域,其在计算机视觉领域中有着重要作用,并且近年来,越来越多的研究者已经投入到显著性检测技术的研究中。显著性检测技术常用在图像分割、分类和压缩等图像处理任务中,其可以有效地关注与当前任务相关的图像区域,提高计算机的工作效率。现有的基于传统方法的图像显著性检测技术虽然取得了一定的进展,但其经常使用手工设定的特征进行特征对比或者构建多种先验知识来计算显著值,当图像中的显著目标处于较复杂的场景中,传统的显著性检测方法无法正确地检测出显著目标。现如今,深度学习技术已日趋成熟,其广泛应用在图像和自然语言处理领域中,为人们的生活带来了极大的便利。在图像分类和目标检测等任务中运用深度学习技术取得较好的效果,这是因为深度学习能非启发式地组合图像中的低水平特征,得到高水平语义特征,对图像处理任务是十分有用的。本文给出了一种结合全局先验和局部上下文的深度学习显著性检测方法。首先使用超像素分割方法分割彩色图像和深度图像,接着,分别构建每个超像素对应的全局先验特征图,将其通过全局先验深度学习模型计算得到每个超像素对应的全局先验显著值,然后,分别获取每个超像素的彩色和深度局部上下文,通过深度学习网络模型结合全局先验和局部上下文计算每个超像素的初始显著值,最后依据空间一致性和外观相似性优化初始显著性图,得到最终的显著性检测结果。在两个常用数据集上的实验结果表明,本文的显著性检测方法的检测结果准确,具有很好的普适性。本文主要工作如下:1)给出一种全局先验特征图的生成方法。充分利用颜色、纹理、深度等低水平特征,分别构建紧凑性、独特性和背景性等中等水平特征图,然后将这三种特征图分别作为图像的一个通道组合成全局先验特征图。2)给出一种以全局先验为引导的图像显著性检测方法。通过对以原始图像作为输入的深度学习显著性检测方法的详细分析,发现该检测方法的输入存在无效特征信息的问题,将全局先验特征图作为输入,有效地缓解此问题的发生,并通过一系列实验验证其对显著性检测的有效性。3)给出一种结合全局先验和局部上下文的图像显著性检测方法。本显著检测方法由两个卷积神经网络组成,首先将彩色局部上下文和全局先验显著图作为第一个卷积神经网络的输入,接着将检测得到的显著图和深度局部上下文作为第二个卷积神经网络的输入,并经其检测得到初始显著图。最后基于分割好的超像素构建无向图,基于空间一致性和外观相似性构建优化模型优化初始显著图,得到最终显著图。实验结果表明本文的检测方法与已有的基于深度学习的显著性检测方法相比检测结果更准确。4)在上述工作的基础上,设计并实现基于全局先验和局部上下文的图像显著性检测系统。本文详细说明了该系统的主体设计和相关功能,并对系统的检测结果进行了分析和评价。