随着信息技术的迅猛发展,图像作为信息载体的作用日益增大,其包含的信息量巨大,但同时也给人工处理带来困难。在各种图像分析任务中,人们感兴趣的内容通常只占图像的很小一部分,因此,通过引入人类视觉的选择性注意机制,不仅可以将有限的计算资源集中到图像中的感兴趣区域(ROI),以此来提高图像处理的效率,而且能有效抑制与任务无关的信息,保证图像分析系统的处理效果。如何选择和提取一组能够准确衡量候选区域视觉显著性的图像特征是整个感兴趣区域检测过程中的核心环节。在分析人类视觉注意机制理论的基础上,将注意机制和显著性特征引入场景分析,研究了四种显著性特征的描述和提取方法,其中包括基于候选区域内部属性的特征,如局部对称性特征、纹理特征和角点特征,提出了一种改进的基于局部对称性的目标检测算法和一种基于角点投票的目标检测算法,分析了利用单特征进行目标检测的局限性。论文还研究了一种典型的基于互显著特征的通用视觉计算模型,该模型利用中央-周边(Center-Surround)算子提取基于候选区域与外界属性差异的显著性特征,通过实验分析了该模型的不足。针对单特征的局限性和多特征并行处理的不足,结合人类视觉系统中串行化信息加工机制,论文最后建立了一种基于多级显著特征的目标描述模型,并提出了一种基于此模型的目标检测算法。该算法引入注意机制,结合了自底向上和自顶向下的视觉注意因素,提取目标在多尺度上的多个简单显著性特征,依次单独地使用其中一个来检测目标,相应地得到检测概率和虚警概率,根据检测概率尽可能大而虚警概率尽可能小的原则,确定特征的显著性次序,最后根据显著性次序,在目标检测过程中分层次地处理这些特征信息。实验结果表明,本文中提出的算法能有效检测目标,而且虚警率比使用单特征检测的虚警率低,并且检测结果与人类视觉心理学依据是相符的。