图像显著性检测旨在删除图像中的冗余或者重复繁杂成分,获取图像中视觉感兴趣区域,作为图像预处理步骤,广泛地运用到了计算机视觉中目标识别等多个领域。本文提出一种基于半监督模式的流形正则化的图像显著性目标检测算法,即基于流形正则化支持向量机(SVM)模型的图像显著性检测算法。本模型在训练时,充分地采用了图像中所有超像素的信息,降低了模型训练成本,提升了目标检测的高效性与精确性。并且同时考虑了图像局部学习和图像全局学习的特点,比如,当图像中前景和背景特征对比度较低时,局部检测可能只检测目标的一部分,忽略目标的完整性,而全局检测则能从图像整体的角度很好地捕获显著目标,但有时会忽略显著目标的一些细节问题。基于上述特点,本文同时构建局部和全局正则化支持向量机模型,融合局部和全局的检测结果,使得模型的检测结果更准确。具体分为以下四个步骤:首先,将图像分割成一系列的超像素,构建稠密关联矩阵,并生成目标区域二值图。根据背景先验和平滑先验计算每个目标区域二值图的目标分值和背景分值。以两个分值为权重,对所有的目标区域二值图进行权重叠加得到初始显著性图,并选取伪前景和背景超像素为伪标记样本进行后续模型的训练。接着,分别构建局部和全局流形正则项,嵌入传统的SVM模型进行训练,并预测图像中所有的超像素的显著性值。其次,融合优化局部流形正则化SVM和全局流形正则化SVM的检测结果,获得更可观更优异的显著性目标检测结果。最后,基于新的显著性检测结果,更新伪标记样本,提升伪标记样本的准确率,重新对流形正则化SVM模型进行训练,并重新预测,融合优化两个模型的显著性目标检测结果,得到最终的显著性目标检测结果。本文选取五个国际公开的具有权威性的图像数据库作为实验数据库,在之上执行了各个阶段实验结果的验证,并和当前国际认可的13种较新的得到学术界认可的显著性目标检测算法的进行了实验结果的比较。相关数据显示,本文基于流形正则化SVM模型的显著性检测方法的各个评价指标要比其他的算法结果好。除此之外,本文算法可以提升现有的显著目标检测模型的检测效果,提升效果很显著。