人类主要通过视觉系统来获取信息和感知世界，而通过视觉获取的信息相互影响、相互融合从而帮助人们从复杂的场景中快速精确地定位自己感兴趣的目标或区域。在计算机视觉研究领域，把对人类视觉的这一特性的仿真称为显著性分析。计算机的视觉载体是数字图像，然而数字图像中的信息往往存在很大的冗余，最能表征图像内容、最能吸引人注意力的区域往往只集中在图像的一些小的关键区域，这个区域被称为显著性区域或感兴趣区域。显著性分析就是对这些显著性区域进行高效地检测、提取和表示，从而描述场景中对象对视觉注意力的吸引能力。　　论文第一部分主要对几种典型的显著性分析算法做了详细的研究，从基于生物学启发、基于对比度分析模和基于频域分析三个模型着手，主要介绍了IT算法、GBVS算法、MZ算法、RC算法、SR算法和IG算法。上述算法虽然基于不同的理论基础，但均获得了较好的显著图效果，是研究显著性算法引用较多的、非常具有代表性的成熟算法，也是本文提出新算法的基础。　　论文的第二部分提出了一种新的研究思路，综合对比度分析和频域分析模型的各自特点，本文提出了图像局域清晰测度算法将两种模型的优点结合起来。本文算法基于频率调谐的彩色图像显著性区域检测的步骤为：用局域清晰测度算法将图像分为目标区域和背景区域，其中局域清晰测度高的部分为图像的细节区域，对映频域的高频信息；局域清晰测度低的部分为图像的背景区域，对映频域的低频信息。然后，针对区域的不同频率信息采用不同的显著性分析算法；并用 KSVD稀疏表示算法对背景区域显著图做目标提取来祛除伪目标；最后将目标显著图和背景显著图融合得到最终的显著图。相较于现有的显著性分析方法，本文算法生成的显著图质量更高，性能更好。　　论文的第三部分介绍了本文显著性算法在多聚焦图像融合和红外目标检测领域的应用，取得了比较理想的效果。　　本文在经典算法的基础上，突破已有模型间的界限，找到模型间的结合点，提出新的算法。本文算法生成的显著图在主观和客观的评价上都优于其他算法。根据显著图的用途，将本文算法应用到图像融合和目标检测领域，取得了良好的效果。体现了本文算法的有效性和广泛的通用性。