图像特征区域检测是计算机视觉与模式识别中的重要研究方向,具有多年的研究历史。作为多研究领域的基础步骤,特征区域检测的质量直接影响了后续应用的算法结果。由于传统的特征区域检测方法与后续应用相对独立,因此存在着难以根据应用场景及数据集变化而自适应选择特征等问题。受人类视觉显著性模型的启发,本文将显著性引入到特征区域检测研究中来,并针对计算机视觉中多个广泛应用的领域,例如特征匹配、目标识别等,提出基于特定应用场景的区域显著性算法,该算法用于估计图像中各区域的显著性值。多类型图像上的实验结果证明了,显著性高的区域比显著性低的区域对完成后续应用有着较好的算法效果。作为基础研究领域,区域显著性研究对提高特征区域在其他领域的应用效果等方面意义重大。本文的主要内容和创新点包括:针对传统特征区域检测算法与区域匹配率相脱节的问题,本文提出了一种基于特征匹配的区域显著性方法,该方法将区域的匹配率引入到区域的显著性衡量中来,使得高显著性区域比低显著性区域具有较高的正确匹配率;该方法还较好的解决了自然场景图像中多维特征概率分布建模的问题。所提方法定义区域的显著性为该区域正确匹配的概率分布与错误匹配概率分布之间的Kullback-Leibler(K-L)散度,并基于自然场景图像中区域特征的统计特性,利用椭圆对称分布和高斯对数分布对多维特征概率密度函数进行了建模,给出了基于K-L散度的区域显著性计算方法。在多个自然场景数据集上的实验结果验证了所提算法的有效性和优越性,同时实验结果表明特定区域的显著性可随训练数据集进行自适应的调整。针对现有区域显著性计算方法存在的多维特征分布建模时概率模型受限的问题,本文提出了一种基于离散样本K-L散度估计的区域显著性方法,该方法可适用于具有不同统计特征的图像数据集,比现有方法适用范围较广,计算速度较快。所提方法从以下两个方面对现有方法进行了改进:1)使用随机样本直接估计基于K-L散度的区域显著性,避免对区域特征的概率分布添加过强的限制条件;2)优化现有方法计算步骤,省略了显著性计算中的中间步骤。本文将该方法应用至自然图像、纹理图像和仿真数据集等多类图像数据集以及不同特征描述方法,实验结果证明,该方法可有效地计算不同类图像区域的显著性;具有较广泛的适用性。针对基于匹配的目标识别,本文提出了一种综合考虑图像区域的表示性、区分性以及匹配有效性的显著性方法,该方法较现有方法可获得较高的目标识别正确率。所提方法中区域的表示性指该区域为感兴趣目标的一个特征区域,可描述目标整体或局部;将区分性区域定义为存在于感兴趣目标中且较少在背景中出现的区域,利用基于离散样本的K-L散度估计方法计算区域的区分性值;并将匹配率引入到区域的显著性衡量中,定义具有较高区分性和正确匹配率的目标区域为高显著性区域。在多目标识别数据集上的实验结果表明,所提方法提取的高显著性区域可区分复杂背景中的感兴趣目标,具有较高的正确识别率,并有助于获得较准确的定位和姿态估计结果。