人在面对复杂场景时,能够快速的将注意力集中在少数感兴趣的区域,然后利用有限的处理能力对该区域进行优先处理。显著性目标检测作为计算机视觉领域中的一个重要分支,其任务就是模拟人类视觉系统识别图像中显著目标的区域,并输出一幅显著图来表示每个像素属于显著目标区域的可能性。本文提出了一种基于生成模型与判别模型的联合显著性检测算法,利用了生成模型(基于稀疏表达)与判别模型(基于回归)对图像进行联合协同检测。首先,通过背景图像块搜索算法获取大量的背景图像块,利用字典学习训练得到背景字典,计算每个超像素在该背景字典下的稀疏重建残差,将此重建残差作为该生成模型输出的初始显著值。然后,引入基于回归的判别模型,从图像块中学习特征之间的关联性,依据特征间关联性以及图像块初始显著值重新回归各个图像块的显著值,使得相似区域的显著值一致且连续。为了适应不同尺度的显著目标检测,引入多尺度融合算法获得前景目标更加细化的像素级显著图。最后,利用目标重定位算法得到目标级显著图,进而粗略定位显著目标位置抑制背景区域噪声,与多尺度融合后的显著图结合,得到目标均匀突出的显著映射图。本文算法在四个公开的显著性目标检测数据库上进行了评测,并与22种经典算法进行了定性和定量的比较。实验结果表明,相对于其他经典算法,本文算法产生的显著图能够准确均匀地突出显著目标,在准确率-召回率曲线以及F-measure值的对比上,也展现了极大的优势。