日渐发达的科技社会中，如何让机器代替人类来处理各类信息已经成为一个越来越重要的课题，而人们对于信息的理解也从字符来到了图片甚至是动态图像，故而对图像中信息的判定和识别占有一个越来越重要的地位。对于机器而言，一个图像中所存在的多种目标并非全部都有用，如何寻找出所需要的目标对后续信息的处理效率有着举足轻重的作用。　　对于图像处理而言，往往存在着目标和背景两种元素，我们往往更加关注图像中有意义的部分，即目标。如何寻找出一个图像中的目标就是显著性检测的工作。显著性检测属于图像处理中的预处理部分，是否可以准确的检测出一个图像中的显著性目标对于后续的图像分割，识别，追踪有着巨大的影响。在过去有非常多的研究者在显著性领域做出了巨大的贡献，而这些研究被普遍认为显著性检测分为两个种类，分别为自上而下的基于任务的检测方法和自下而上的，无语境的前注意法两类。然而我们认为在这个传统分类之外，还存在着两个基于检测效果区别而成生的的方向，分别是视觉点预测和显著性目标检测。这两种方向在理论研究上是独立发展的，但是在实际应用中，两种方法却经常承担了相类似的职能。　　这篇论文中，根据最近两年一些学者已经得到的一些成果，和本文中的研究，我们证明了视觉点预测和显著性目标检测之间存在着必然的的联系，并且使用Borji和我们提出的方法来验证了这种联系的。在论证了这种联系后，我们提出了一种采用主要用来预测人眼视觉注意力点的视觉显著性映射图来寻找显著性目标的方法。这种方法可以论证，如果能够得到准确的几个人眼注意力点，我们就可以通过这些点来找到具有全分辨力的目标，如此在今后的显著性检测的研究中，我们可以将更多的精力放在如何寻找人眼注意力点上，而无需找到准确的整个目标，并且这个方法既适用于基于任务的检测法和前注意检测法。它的主要步骤为：1)从一个视觉显著性映射图中获得一些点，并使用这些点来标记使用超像素分割算法获得的超像素，并获得一些线索点；使用由色彩-距离和距离-色彩的图组成的双生图来学习这些线索点，并预测标注其余超像素的显著性值。最后我们需要使用图片中边缘的特质来对得到的显著性值进行校正，实验结果表明在三种通用的图库MSRA-1K、juddDB和ECSSD中，我们的算法比目前广泛使用的七种显著性目标检测的算法都要优秀。