视觉注意机制对依赖于视觉感知的动物的生存和繁衍都具有重要意义,比如在瞬间注意到猎物或者捕食者,从而有效地捕捉猎物或者逃避捕食者。不仅如此,视觉注意机制在仿生学上也具有重要意义。随着现今爆炸式增长的海量图像数据,“一视同仁”的数字图像处理不仅速度慢,而且浪费资源。视觉注意机制启迪我们在计算机视觉领域可以模拟人类视觉,提取出图像中的显著区域或者感兴趣的部分进行集中处理。图像的显著性区域检测属于视觉显著性分析范畴,它将视觉注意机制引入到图像处理中,通过筛选出人眼认为的重要区域,从而减少数据处理量。可靠的显著性区域估计可以使我们在没有先验知识的情况下,筛选出图像中的重要信息。因此,图像的显著性区域检测是许多计算机视觉任务中的一个重要步骤,其中包括：图像分割、目标识别、自适应压缩、内容感知的图像编辑、图像检索等。故而高效的视觉显著性检测能大大提升这些任务的整体效率。人类可以很容易地判断出图像中的显著区域,不管图像的环境背景如何复杂,人都能实时的注意到图像中的重要部分。本文的主要目标就是结合近年来成为高性能计算热点之一的GPU并行计算来加速图像显著性区域检测,以获得能够满足实时性要求的并行算法。本文详细分析了四种显著性区域检测算法：Itti, FT, MSSS, HC。在此基础上,我们设计了MSSS和HC两种算法的GPU并行化算法,并且对MSSS算做了改进,加入了中心优先因子。实验发现,与原始算法比较,并行化的MSSS算法和HC算法在现有公开的最大的标准测试图库上,前者平均速度提升超过40倍,后者平均速度提升超过60倍,而且实验表明改进后的并行MSSS算法不但平均速度提升30倍以上,而且能更好的预测显著目标区域。