为有效获取外界信息,人类的视觉系统能够利用自身的视觉注意机制,从海量输入信息中有选择地获取有意义信息。受到选择性注意机制的启发,显著性检测使用计算机视觉算法来模拟人类的这种视觉特性,其研究分支显著目标检测旨在找出一幅图像中最吸引人的区域。作为一种减少计算量的预处理操作和提升算法性能的方式,显著目标检测可以应用于许多视觉任务中,如图像压缩、图像分割和医学影像处理等。近年来,基于图的显著目标检测方法以其简洁性和高效性而备受关注。本文基于图模型,围绕着显著目标检测方法及其应用展开了相关的研究,提出了两种基于图的显著目标检测方法,并将显著目标检测技术应用于光学相干断层血管造影图像（Optical Coherence Tomography Angiography,OCTA）的血管分割中。本文的主要工作和创新点如下:（1）提出了一种基于变形平滑约束的显著目标检测算法。使用标准平滑约束的图模型容易遗漏一些与背景相似的显著目标区域,而变形平滑约束能通过局部正则化节点及其近邻节点防止错误的标签传播,进而高亮与背景相似的显著目标区域。此外,对于标签传播结果可能出现背景噪声的情况,在显著图的精优模型中也使用了变形平滑约束,并融合了显著目标的似物性,从而抑制标签传播结果中的背景噪声。该方法在ASD、PASCAL-S、DUT-OMRON、ECSSD和THUR15K等五个数据集上进行了实验,验证了算法的有效性。（2）提出了一种基于感知特性和背景种子点排除的显著性传播算法。在显著目标检测中,图模型的标签传播有效性十分依赖于种子点选取的准确性。针对现有的获取种子点方法容易与背景节点混合的局限性,提出了一种基于背景种子点排除的显著性检测框架,将感知线索融入该框架中,并利用排除背景的种子点传播显著性。首先,将两个感知线索近邻性和相似性用于图的构建。其次,提出了一种新的背景概率测算方法,排除种子点中可能的背景节点以便挑选出更为可靠的种子点。然后提出了一种背景种子点排除的流形正则化模型,并利用可靠的种子点进行传播。最后,将稀有性这一感知线索融于一个代价函数来对传播结果进行精优。通过在ASD、PASCAL-S、DUT-OMRON、ECSSD和THUR15K等五个数据集上的实验验证了算法的有效性。（3）提出了一种基于显著图的水平集图像分割模型,并将其用于OCTA的血管分割中。在图像分割中,多数目标是场景中人眼关注的区域。从这个角度出发,在无限周长主动轮廓模型的水平集能量函数中,加入基于显著图的拟合项,提出了一种基于显著图的水平集图像分割模型,使得该模型能利用显著图的信息辅助分割目标。基于该模型,提出了一种显著性驱动的视网膜血管分割算法。首先,利用紧密性和稀有性,将视网膜中心凹的显著目标检测结果作为背景种子点,并利用显著目标的边界连通性生成前景种子点。然后,将两类种子点放入随机游走的正则化模型中进行标签传播,得到OCTA血管的显著图。最后,结合OCTA血管的显著图,利用基于显著图的水平集图像分割模型进行血管分割。在英国皇家利物浦大学医院圣保罗眼科中心采集的真实OCTA数据库中进行实验,实验结果表明了模型对OCTA血管分割的有效性。（4）提出了协同低秩的OCTA图像去条纹噪声模型。在OCTA图像的采集过程中,患者眼睛的微跳动导致图像中出现白色条纹噪声。为了有效地去除同一眼睛OCTA图像中不同层的条纹噪声,提出了两种协同条纹去噪模型:协同相等条纹去噪模型和协同相似条纹去噪模型。这两种模型都是基于低秩约束的优化模型,但模型对条纹噪声的假设有所不同。协同相等条纹去噪模型假设所有层的条纹噪声是相同的,而协同相似条纹去噪模型假设不同层的条纹噪声并非完全相同而是具有相似性。在合成的OCTA数据库和英国皇家利物浦大学医院圣保罗眼科中心采集的真实OCTA数据库中,对提出的模型进行了实验,验证了模型作为血管分割预处理的有效性。