视觉显著性一直是神经生物学、认知心理学和计算机视觉领域的研究热点,它最初是预测人眼在场景中的注视位置,而研究人员发现人能够快速、准确的从海量视觉信息中定位出最感兴趣的部分区域,并可以自适应地将注意力集中在感兴趣区域。因此通过图像显著性检测算法模拟此机制并快速获取图像的显著目标,有效提高了图像处理的效率,从而被广泛运用于其他领域,如目标识别、图像分类等。从九十年代开始,诸多的图像显著性检测算法开始涌现,但是随着图像质量的提升,有的显著性算法已不能满足实际场景的要求。针对显著性算法检测的结果存在边缘缺失、目标亮度不够、显著区域不准确以及存在较多的背景噪声等问题,本文基于空间域提出了两种不同的显著性检测算法,主要工作如下:（1）提出了一种基于凸包计算和颜色特征的显著性检测算法。首先,针对不同颜色空间中图像的通道取值不同,在多种颜色空间经过超像素分割计算得到区域对比图;其次,利用颜色增强的Harris算子形成凸包得到新的中心先验图以及凸包结构图;再次,在CIELAB颜色空间中得到平滑的通道差值图;最后,将四种显著图特征融合并优化得到最终显著图。（2）提出了一种结合随机采样和背景先验的显著性检测算法。首先,为了获得图像的结构信息,在CIELAB颜色空间中将原图像使用SLIC算法得到均匀的超像素;其次,使用大小和位置都随机的正方形子窗口分别在L、A、B三个颜色通道上进行采用,设置较少的子窗口数量迭代更新并利用欧氏距离获得完整的随机采样显著图;再次,利用一个选择性机制获得图像四周边界中可靠的强背景种子并作为背景区域计算出背景先验图,又设计一个最小能量函数优化先验图;最后,将上述两种显著图线性融合。（3）通过在ASD和MSRA-B两种图像数据集上将本文两种算法与18种算法进行主观分析以及使用精确率-召回率（P-R）曲线、自动阈值分割（F-Measure）、平均绝对误差（MAE）、结构度量（Structure-Measure）和计算速度五种客观评价指标证明两种算法的有效性。实验结果表明,本文两种算法能够有效抑制背景干扰、凸出高亮度的显著区域以及获得精确率较高的全分辨率显著图。