随着大数据时代的到来,网络社会每天产生大量数据。如何快速且有效地处理日益增长的图像数据己经成为迫切需要解决的问题。值得一提的是,图像显著性检测的主要任务是使得计算机通过模拟人类的视觉注意机制定位出图像的显著区域,滤除非显著区域,从而只对图像中人类感兴趣的区域进行后续处理。因此,图像显著性检测可以有效地降低图像数据的复杂度并提高处理效率。作为计算机视觉领域的一项基本研究课题,图像显著性检测吸引了大量的研究学者。自从图像显著性检测问题被提出以来,研究员们提出了许多性能优良的算法。特别地,由于近些年深度学习技术在计算机视觉领域的成功应用,图像显著性检测也开启了新的研究道路。越来越多的深度学习技术被应用于图像显著性检测,并取得了突破性的研究成果。同时,由于图像显著性检测算法简洁、有效,很容易实现与计算机视觉其他领域的研究相结合,因此,可以辅助其他领域的算法实现更好的效果。例如:利用图像显著性检测技术在目标检测与识别任务中实现目标的初步定位,从而提高算法的准确率,降低算法的复杂度。因此,图像显著性检测技术的研究不仅能够促进复杂图像检测结果的提升,还能为处理海量图像数据提供技术支持。然而,己有的图像显著性检测算法在复杂环境下具有局限性。当图像具有复杂背景,或者图像中前景与背景相似时,当前的图像显著性检测算法并未获得最佳的结果。针对上述问题,本文提出了两种有效的图像显著性检测算法:第一种是基于协同图排序模型的图像显著性检测算法。针对现有的基于流形排序的显著性检测模型中存在的不足,即当前景与背景对比度较小且背景较复杂时出现的错检问题,该模型从图像中显著目标与背景之间的高对比性出发,将背景显著值与前景显著值进行协同优化,利用背景信息突出前景信息,提出了一种基于协同图排序模型的图像显著性检测算法,从而获得更加准确的检测结果。在五个公开的数据集上进行了实验,结果均表明了该算法的有效性。第二种是基于多任务协同图排序模型的图像显著性检测算法。在图像显著性检测过程中,为了使特征更具有判别性,一般会采用多种特征融合的方式。传统的特征融合直接通过将多种特征进行串联处理,这种方式无法实现特征的充分利用,容易造成特征冗余。为了有效地实现各个特征之间的优势互补,本文提出了一种多任务协同图排序模型,并提出了一种新的迭代优化算法对该模型进行求解。经实验分析可得,传统特征倾向于描述图像的底层特征,有利于获取图像的细节信息;而深度特征则侧重于描述图像的语义信息,有利于目标的准确定位。因此,我们选择传统特征和深度特征作为优化对象。具体步骤如下:首先,在不同的特征层面上分别进行构图;然后,通过多任务协同图排序模型动态更新不同特征层面所构图的权重,实现有效地结合不同特征的优势;最后,使用模型迭代收敛时的有效值确定图像的显著区域。在五个公开的数据集上进行了实验,结果均表明了该算法的有效性。