图像显著区域的检测与提取是图像处理与计算机视觉的基本问题之一，是图像处理图像分析的关键步骤。对于图像的显著区域检测是十分有用的，如图像分割，自适应压缩，基于区域的图像检索。论文在研究现有传统的图像显著对象检测的方法基础上，重点分析和实现了经典的Itti完全生物学启发的视觉注意算法。然后提出一种针对彩色图像的全分辨率显著性计算（AC）方法来确定彩色图像的显著区域，结合k-means聚类方法进行显著区域的分割。最后根据性能标准对两种方法进行了优劣比较分析。具体内容如下：　　1）研究了基于生物启发显著模型的显著对象提取方法。该方法利用区域生长方法对获得的显著图进行图像分割，从而得到图像的显著对象提取。这部分内容首先重点研究和分析了Itti等提出的显著图模型(Itti算法）。该模型通过特征提取，建立输入图像的5层高斯金字塔，并对金字塔每一层分别提取亮度、颜色、方向特征,形成亮度、颜色、方向特征金字塔。最后模拟感受野的Center-Surround拮抗的结构，对不同尺度分别在特征金字塔做差，得到中心–外周的特征对比。将得到的特征图进行归一化，优化迭代显著点，从而得到对应于每一类特征的显著图,取均值后得到对应于输入图像的显著图。基于获得的显著图，利用区域生长法对图像进行分割，从而实现显著区域的提取。　　2）针对Itti模型显著图生成过程中，需要原始图像进行重新采样降低分辨率，以提高计算速度的问题，提出了基于纯计算法的基于全分辨率算法的全局显著图模型和基于显著区域的图像分割。该显著模型算法主要是通过计算输入图像某局部区域R与其周边区域2R的对比值,即1R的平均颜色向量和2R的平均颜色向量的差从而得到输入图像的显著值。最后运用了K-mean聚类算法实现了显著区域的提取。1　　3）基于Berkeley图像数据库，运用评价标准对上述两种算法定量的评价显著性图凸显目标的效果。