传统的视觉显著性检测方法通常能够模拟人的视觉处理系统对单一场景进行快速自动的分析,从而挖掘出图片中最为吸引人的区域。显著性检测结果一般被称作显著性图。协同显著性是视觉显著性分析在多张图片上的扩张,旨在检测出存在于一组图片中的既显著又相似的物体。近几年,协同显著性作为一种有效的预处理手段,显著地提高了诸多计算机视觉和多媒体领域应用的效果。因此,本文专注于提出新的算法以提升协同显著性的检测效果。本文首先利用协同显著物体间的内在联系,提出了一种用于协同显著性检测的基于秩约束的融合方法。给定一组任意数目的有相似物体的图片,本文利用若干种不同的显著性算法为这组图片生成显著性图。根据每一张图片对应的若干显著性图,本文对每一张图片分割出一组不同的显著性物体,并且为每一个显著性物体计算特征直方图。所有的特征直方图组合成特征矩阵。因为协同显著物体的特征表达应该是相似并且一致的,所以本文得到的特征矩阵应该满足低秩矩阵的性质。本文将上述性质形式化为秩约束,并且提出一种基于低秩矩阵恢复的能量计算方法来量化这一约束。另外,本文还提出了一种基于重建的方法来从另一个角度诠释秩约束。综上,本文依据秩约束提出了两种不同的协同显著性检测算法,其中第一种方法同样适用于单张图片上的显著性检测。本文在三个数据集上同诸多当前流行的算法进行了广泛的比较,比较结果显示出本文方法的优越性。