受人类视觉注意机制启发,图像显著性检测旨在让计算机自动检测出图像中的显著性区域。面向图像大数据,如何从大规模的图像集合中检测出共有的显著性目标已经成为一个亟待解决的问题。不同于单幅图像独立显著性目标检测,图像组协同显著性检测从多幅内容相关的图像中识别出各图像共有的显著目标,图像内协同显著性检测旨在从单幅图像中检测出协同显著目标。尽管在图像显著视觉特征学习以及显著性检测算法等方面已有大量研究工作,但图像协同显著性检测的效果仍不理想。究其原因,一方面,复杂的图像场景增大了图像显著性检测的难度;另一方面,图像协同显著性检测作为一个新兴的研究方向,其理论与算法等方面尚待进一步研究。本文的主要工作总结如下:针对图像组协同显著性检测任务,本文提出了一种融合多视角信息的协同显著性检测算法,挖掘利用了不同类型视觉特征之间的互补性,优化了多类型特征在协同显著性检测中的贡献度,合理地使用多类型特征,改善了检测效果。具体而言,首先采用深度学习技术生成单幅图像的显著图,利用其获得图像的超像素集合;进而提取超像素的多类型视觉特征并建立以超像素为顶点的多图模型,采用基于多图的流形排序算法,设计超像素协同显著性与多类型视觉特征重要度的联合优化策略,获得协同显著性检测的初步结果。最后,采用秩约束算法融合单幅图像显著图及初步协同显著图,进一步提升了协同显著性检测效果。此外,结合图像的深度信息将上述算法扩展应用到RGB-D图像组的协同显著性检测任务中,取得了良好的检测效果。针对单幅图像协同显著性检测任务,本文提出了一种基于多尺度超像素的协同显著性检测方法,利用不同尺度的超像素可以更好地挖掘显著目标的视觉表征。具体而言,首先基于单幅图像的显著图获取图像的前景区域,然后对前景区域进行多尺度分割,通过图像前景区域特征对比分别计算不同尺度下的协同显著概率,获得初步的多尺度协同显著图;进而对不同尺度显著图进行融合并采用角度嵌入优化算法利用图像的边界等信息对协同显著图进行显著性增强,获得较为准确的单幅图像协同显著目标。最后,本文分别在图像组协同显著性检测数据集以及单幅图像协同显著性检测数据集上进行实验验证,除采用基于像素级的准确率-召回率、F-Measure、AP Score、平均绝对误差等传统的显著性度量标准,还采用了结构相似性度量方法,实验结果表明了本文方法的有效性。