图像作为我们日常生活中最常见的信息载体，是一种对现实世界的客观描述。人类获取的信息中，有很大一部分来自于视觉。而视觉呈现在人们眼前就是图像或者视频，所以现如今社会对图像处理的研究越来越深入。在图像处理领域中，视觉显著性提取作为不可或缺的一部分，它可以模仿人类视觉关注机制从大量的信息中提取我们关注的部分信息，即一副图像中的关键区域。准确的提取显著性区域不仅可以有助于探知人类的视觉的认知规律，而且还对图像处理中的其它领域奠定着坚实的基础。一幅比较好的，比较实用的图像会比文字更加的形象，更加的具有说服力。但是，当人们看到一幅图像的时候，人们往往会注意到的只是图像中的一部分的内容。所以，在很多的时候，我们都需要对图像中我们所感兴趣的区域进行提取，即将图像中我们所感兴趣的那一部分提取出来。这一部分区域就被称为图像的感兴趣区域。本文对图像的显著性区域的检测与提取进行了深入的研究，并以取得更好的视觉显著区域的提取效果为目标，结合patchnet以及构图优化的准则对视觉显著性区域的检测与提取算法进行改进。首先，本文先介绍了图像显著性区域提取算法的研究意义以及国内外研究现状，接着对几种国内外经典的视觉关注模型进行了详细的介绍。首先介绍了经典的Itti视觉关注模型，该算法的主旨思想就是利用了图像的三个特征图来进行处理，分别的计算图像的颜色特征，亮度特征以及位置特征，最后对三个特征图进行融合来提取显著性区域。接着，文章介绍了SR算法，它是通过抽取图像的剩余频谱快速的计算出空间域的显著区域。最后介绍了RC方法。该算法的主要思想是将空间关系整合到区域等级对比度计算当中。其次，对于目前已有的算法而言，多数算法对拥有单个显著性对象的图像的检测效果比较好。但是，由于颜色、纹理以及背景的复杂多变性，对于拥有多个相似显著性的图像的显著性区域提取效果不是很理想。本文借助已有的视觉显著性区域提取技术对具有多个相似对象的图像进行显著性提取。提出了一种基于patchnet的相似显著性区域提取算法，算法利用了patchnet来记录图像的上下文语义关系，并按照以下步骤对显著性区域进行检测：1.检测显著性区域轮廓；2.使用检测到的轮廓对图像中的显著性区域进行快速匹配以找到所有的显著性对象的位置；3.运用patchnet对相似对象的相似性进行计算，以得到最终的结果。本文最终结果显示，本算法对于拥有多个相似对象的图像的显著性检测能够有很好的效果。接着，本文在借鉴了已有的构图优化的相关算法的基础上，提出了一种基于构图优化的图像显著性提取算法，它的思想是将构图优化的规则应用在了图像的显著性提取上。首先先给出了进行显著性区域提取的意义以及国内外的研究现状，然后介绍了几种常见的构图优化算法，接着，我们详细的陈述了如何使用构图优化的规则来进行显著性区域提取，最后，我们给出了实验以及结论。在本文的最后，对全文工作进行了总结并且对今后工作进行了展望。