随着科学技术的发展，图像成为众多领域重要的信息来源。由于图像包含了丰富的媒介信息，因此如何快速准确地根据实际需求批量处理图像成为目前比较热门的研究方向。人的视觉系统在面临一个复杂的场景时，能够迅速的将注意力集中在少数几个显著对象上，这一优先注意的过程称为视觉注意。而在图像应用领域，多数的图像处理方法都是基于图像内能够表达图像内容的关键对象。因此，如果能通过计算机，批量提取出这些关键对象，将会为图像应用的其他领域提供巨大的帮助。本文将包含图像关键对象的区域称为显著度区域，将这一研究领域称为图像的显著度提取领域。不可否认的是，多数图像中，冗余信息较多，如何高效地“屏蔽”掉这一部分信息，准确、快速地提取出图像的显著度区域，成为评价这类算法性能的重要标准。本文的研究重点是基于对现有的优秀的显著度提取算法的深入研究，设计新的、计算简单、更加符合视觉机制的显著度提取算法，并基于设计的显著度提取算法，在图像分割和检索领域进行了应用研究。图像的分割方法种类繁多，但所有算法的中心思想都是寻找合适的分割阈值，这些方法或者对图像进行预处理、或者对图像特征进行分析，最后计算出有效的分割阈值。理想的分割阈值正好可以将关键对象分割出来，忽略非关键区域。如果结合图像的显著度提取算法，可以很好地改进图像分割算法，本文在这一领域做了尝试。基于内容的图像的检索方法成为目前研究较广泛的方法，其主要的指导思想是根据图像的底层特征如颜色、纹理、形状等形成特征信息量，用于图像的相似度特征匹配，而在实际应用中，背景区域的特征信息匹配往往会影响实际的匹配性能，因此本文尝试将显著度提取算法与图像检索方法结合，忽略背景区域，重点关注显著度区域，从而精简算法，提高检索性能。本文主要完成了如下工作：(1)研究了现有的图像显著度算法，发现多数算法均以像素为基本处理单位来提取图像特征，这类算法很容易受像素噪音的干扰，尤其针对内容比较复杂分散的图像。本文提出了以图像小区域为基本处理单元的思路，通过简单的平均分割方法对图像进行预处理，经过多次实验，得出了理想的分割尺寸。本文的显著度检测算法，以人的视觉机制为指导，充分考虑影响视觉感知的颜色对比度、相对位置、像素复杂度等重要的因素，通过对各要素的实际影响程度进行分析整合，得到了最终的提取算法。本文在实验结果分析阶段，综合对比了目前最优秀的五类显著度提取算法，结果显示本文的算法在实际提取方面有着较好的性能。(2)本文将所设计的显著度提取算法作为技术支持，在图像分割领域进行了应用研究。首先客观分析了目前分割算法的基本类型及各自的优点以及缺点，重点分析了基于显著度提取对图像分割提供技术支持的优势，设计了两类分割算法：固定阈值的分割算法和自适应阈值的分割算法。本文仍然选取目前最优秀的五类显著度提取算法，以各自算法得到的相同图像的显著度图作为待分割图像。本文用部分随机选取图像的实际分割效果图，精度-召回率曲线，平均召回率、平均精度以及F值来评价分割算法的性能。(3)基于本文提出的图像显著度提取算法，在图像检索领域进行了应用研究。本文重点分析了目前应用最广泛的基于内容的图像检索方法。本文发现高性能的图像检索算法，在其最终的图像匹配阶段，主要是针对关键内容的图像特征进行相似度匹配，因此，本文利用图像的显著度提取算法来精简特征点，从而简化算法。本文设计改进了基于广义共生矩阵的图像检索算法，在实验阶段，选择对比了基于灰度共生矩阵的算法和基于广义灰度共生矩阵的图像检索算法。本文用部分随机选取图像的实际检索效果图以及检索精度柱状图来评价检索算法的检索性能。