人类的视觉处理能力可以非常轻易的识别图像的显著性目标和将图像进行分割,但对于计算机来说,这仍然是一个挑战。近来,生产生活中的图像等图像信息的迅速增多,且多幅图像中往往具有相似的显著目标,对于这一类的多幅图像的同时实行显著检测比单独对每一幅图像进行显著性检测更为高效和合理。这一类型的显著性检测称为多幅图像的协同显著性检测。协同显著检测是检测一组图像中共同的显著目标,个别图像中的显著目标将作为非协同显著部分被抑制为背景。对多幅包含有相似物体的图像实行联合分割,称为协同分割。协同显著检测应用领域比较广泛,主要有图像的协同分割、协同定位、图像检测等领域。本文主要的工作集中于以下几点:1.提出了基于相似矩阵的协同显著检测方法。首先,对图像进行超像素分割和从现有的多种显著检测算法得到初始显著图,通过初始显著图设置阂值结合超像素提取相应显著区域;其次,通过显著区域的RGB颜色特征构造直方图行向量,并将所有行向量组合成一个特征矩阵,并以此计算相似矩阵,即通过比较颜色直方图之间的差异得到显著区域的加权比重;再次,采用低秩矩阵恢复模型分解特征矩阵得到噪音稀疏矩阵,并以此得到加权值,最后融合加权值和初始显著图得到最终协同显著图。2.针对传统算法存在显著非协同目标抑制不足的问题,提出了一种新的基于聚类一致性的协同显著目标检测方法。采用聚类一致性得到协同显著值,并融合加权显著值,得到最终显著图。3.基于协同显著检测方法提出了一个协同分割模型,对水平集函数和能量函数进行优化,进而实现对多幅图像的协同分割。首先,提取协同显著检测的显著区域的目标轮廓;然后,通过活动轮廓方法、水平集函数和能量函数优化对曲线轮廓进行演化;最后,得到多幅图像的协同分割。通过iCosegSub和iCoseg数据集验证本文的两个协同显著检测方法,实验表明本文的两种方法均取得了较高的准确度,相比于传统的算法更好的抑制显著非协同区域,提高了协同显著检测的准确性。通过iCoseg和MSRC数据集验证本文的协同分割方法,实验表明本文所提出的协同分割方法拥有较高的分割准确率。