人类通过视觉系统能够在复杂的场景中快速找到自己感兴趣的目标。模拟人类视觉系统得到图像中的显著区域,即显著性区域检测,已经成为计算机视觉领域的热点之一。大量研究表明,显著性机制包括两个方面:自下而上的感知驱动的机制及自上而下的语义驱动的机制。目前自下而上的显著性检测方法已经较成熟,研究的焦点转向了自上而下的语义驱动的方法。这里需要解决的一个难题是如何获取高层语义信息,以及如何将语义信息加入到显著性检测过程中去。本文提出了一种基于图像目标性的显著性检测方法。目标性是一种抽象的高层语义信息,反应了图像中所有目标的分布情况。目标性可以从语义上指导显著性分布的区域,从而提高图像显著性的检测效果。本文以基于自动编码器的视觉显著性估计方法为框架,通过加入目标性来改进显著性估计。显著性估计通过训练深层自动编码器网络实现对输入图像的表示。训练好的网络可以对每一像素由其周围块推理中心块的内容,中心块的重构误差用于估计显著性。图像目标性是指一个像素或者一块区域包含一个目标的可能性,由颜色对比、边缘密度、超像素跨越三个因素来确定。具体计算时结合多尺度化及多窗口分割后评估前述三个因素实现。本文通过两种方式将目标性与显著性估计相结合。一方面利用图像的目标性为先验提取自动编码器的训练图像块样本,以优化自动编码器的训练过程实现对输入图像更好的表示。实验表明这种方式中目标性的引入对提升显著性估计作用较小。另一方面采用了将图像的目标性与自动编码器估计的显著性进行线性融合的方式,实验证明该方法能够较好的提升显著性估计效果。本文工作表明,自上而下的语义驱动的显著性检测模型中,高层语义特征具有丰富的先验信息,能够提升图像的显著性检测性能。