显著物体检测旨在自动检测出给定场景中引人注目的物体。作为许多计算机视觉和多媒体计算任务的基础,显著物体检测技术在近年来吸引了众多研究者的兴趣,并取得了迅猛发展。然而,现有的面向RGB图像的显著物体检测技术仍然难以取得与人类视觉系统相媲美的效果,其重要原因之一在于人眼除了能够获取颜色信息外,还能获取深度、运动等信息。多特征的相互补充提供了更为全面的显著物体描述,为提升显著物体检测的效果带来了契机。本文以RGB-D图像和视频为处理对象,提出基于多特征融合的显著物体检测方法,能够有效地应对基于多特征显著物体检测中面临的不同特征所反映的显著性存在差异和矛盾、深度和运动信息不准确等挑战。本文方法的主要思路为:首先利用不同的特征分别进行显著物体检测,然后通过融合不同特征的显著性图寻找共同显著的区域,得到高准确率低召回率的显著性图,最后基于综合特征的相似性度量进行显著性传播来检测出完整的显著物体。本文所提出的RGB-D图像显著物体检测方法利用改进的SLIC算法进行超像素分割;然后分别利用颜色特征和深度特征独立估算出两幅显著性图,并对它们进行融合和精化,得到初始显著性图;最后在由超像素构建的图模型中对显著性进行迭代传播,生成最终显著性图。本文所提出的视频显著物体检测方法利用光流对相邻视频帧之间的超像素进行匹配,并以超像素为节点构建显著性传播网络;然后分别利用颜色特征与运动特征计算显著性传播网络中的各个节点的显著性值,并将两者的结果融合,对显著性传播网络进行初始化;最后在显著性传播网络中对显著性进行迭代传播,生成最终显著性图。本文在公开数据集上对所提出方法进行了验证。实验结果表明,本文方法的各个步骤都起到积极作用,且本文方法的效果优于现有的同类代表性方法。