显著性检测任务是通过计算机来自动地提取一幅图像中最突出、最重要的部分,这对于人眼十分简单,但对于计算机来说,要实现高精度、高速率的检测还比较困难。显著性检测可以作为目标检测、目标识别、图像视频压缩等常见任务的预处理步骤,能够降低冗余信息的影响,提高图像处理的效率,有助于各种计算机视觉任务快速和准确的开展。本文基于现有的各种显著性检测算法的劣势,提出一个传统扩散与卷积网络融合的显著性检测算法,其中包括两个传统非监督学习模型,可以各自产生两幅分层后的显著图,以及一个采用深度卷积神经网络的融合模型,用于融合以上得到的多幅显著图。本文的主要工作如下:1.基于大部分显著性检测算法检测不完全的现状,提出动态补充流行排序算法,在MR显著图的基础上,通过剔除高置信度区域后,进行二次检测,并根据二次检测结果来动态调节,可以补充原算法忽略掉的次显著区域。人们的拍照习惯通常会模糊掉不重要的背景区域,因此检测原图中各个区域的模糊度,将模糊度高的部分抑制为背景。动态补充流行排序与模糊抑制两个步骤相互调节、互为抑制。2.基于目前非监督学习算法常用的背景先验、对比度先验,提出一个形式简洁的带约束最小化模型,分别根据CIE-Lab和RGB色空间颜色特征计算超像素之间的关系度矩阵,相邻且特征相似度高的区域对应显著值应接近,因此可以由关系度矩阵将设定的边界显著值扩散到图像内部超像素。3.由于加权平均和多通道这两种融合方式不适用于本文的情况,为融合前两步骤分层后得到的多幅显著图,提取VGG-16模型前3层,加入2个反卷积层、1个卷积层,构成深度卷积后融合网络,输入原图、显著图与真值图进行训练,训练完成后可以直接输出测试图融合后的最终显著图。在10个公开数据集上分阶段验证本文算法效果,并与12个其他算法作对比,实验结果验证了本文提出的传统扩散与卷积网络融合的显著性检测算法的有效性。