互联网的飞速发展使图像数据也迅速增长,图像是承载信息的重要载体,图像和文本信息相比内容更加具体,信息也更加丰富,但是在庞大的图像数据中如何寻找人们想要的图像,如何找到图像中最重要的信息成为人们最迫切的需求。人类视觉系统在处理图像时会有选择的对图像中的内容进行处理,因此许多学者受到大脑视觉系统的启发,通过模拟人类大脑的视觉系统检测图像中的重要区域,保留图像中的重要信息,排除图像中不相关信息的干扰,快速提升处理海量图像数据的效率,从而使显著性检测成为计算机视觉领域的研究热点之一。通常显著性检测通过提取像素的底层特征计算显著图,但是随着图像分辨率的提升,计算单个像素的显著性会带来很大的计算代价。因此众多学者提出了基于超像素的分割算法,但是超像素分割算法本身存在的局限性会影响最终的检测结果。本文从改善超像素局限性的角度出发,提出了一种基于轮廓检测和域变换的显著性检测方法,本文的主要内容如下:1、分别对基于底层特征和高层特征的边缘检测和显著性检测方法进行了调研与分析,同时对显著性检测相关技术的实现过程以及各自的优缺点进行了细致的阐述。2、根据基于超像素显著性检测方法中普遍存在的计算代价大的问题,改进基于超像素分割的算法,极大地减少了得到初始显著图的时间。3、针对常规边缘检测的特性,即目标内部存在边缘的特性,提出了一种提取目标外部轮廓的检测方法,使用其约束初始显著图中目标的轮廓。4、针对初始显著图中存在的边缘模糊问题进行了充分的分析,提出使用域变换将目标轮廓和初始显著图进行融合的方法,使初始显著图在显著目标轮廓的约束下得到边缘清晰,亮暗均匀的显著图。本文对显著性检测方法做了深入研究,并且从边缘检测和融合方法两个方面对基于超像素检测方法的边缘模糊问题进行改进,最后在三个公开数据集上进行了对比实验,结果表明该方法可以得到边缘清晰、亮暗均匀的显著性图,且各项指标均匀于其他方法。