现实世界中充斥着大量的信息，而人类对外界信息的感知大部分都是依靠人类的视觉处理，这主要源自于人类视觉系统(HumanVisualSystem，简称HVS)具有强大的信息处理与感知能力。对于一个给定的场景，人类的注意力往往会关注在一些比较重要的目标上，从而自动地忽略掉大量无足轻重的信息。在场景中，能够吸引人类注意力的目标被称为显著性目标。面对图像数量每天以指数增长的现状，科学家模拟人类的视觉机制展开对图像/视频显著性检测的研究，以此来指导计算机快速准确地解决视觉任务。目前，显著性检测作为一种预处理方法已经被广泛应用到其他的视觉领域中，如图像/视频分割、目标跟踪、目标识别、内容感知的图像裁剪等。虽然，许多很好的显著性检测模型已经被提出，但是由于场景的复杂性以及目标的多样性，设计出能够高效准确地检测出场景中的显著性目标的算法依然是一件值得研究而又充满挑战的课题。
　　本文主要对显著性目标检测展开研究，通过分析现有模型的不足，提出了四种显著性目标检测算法，算法能够准确地凸显场景中的显著性目标的同时，也能够很好地抑制背景噪声。本文的主要创新点如下：
　　(1)提出了基于背景模板和能量函数的显著性目标检测算法。该算法定义背景模板来进行显著性的计算，有效缓解了前景与边界接触时给检测带来的干扰。同时，提出了一种基于尺寸控制方法来获取最优阈值并分割得到前景种子。最后，设计了一个最小能量函数对结果进行优化从而进一步提高显著性检测的准确率。算法最终的结果优于当前无监督显著性目标检测算法。
　　(2)提出了基于多尺度下融合背景先验和标签传播的显著性目标检测算法。为了提取可靠背景信息，首次提出了基于凸包和角落信息进行健壮背景种子的选择机制。此外，将对象性高级特征和低层次特征相结合进行显著性检测，有效弥补了低层次特征的缺陷。为了克服单尺度在检测中的不足，设计了一个新颖的融合算法处理不同尺度的结果并得到最终的结果。
　　(3)提出了基于聚合多层次线索的无监督显著性目标检测算法。具有高层特征的对象提案有利于显著性检测，但是过多的对象提案不仅掺杂有不利于检测的无用噪声信息而且数量过多会严重降低速率。本文通过考虑对象层次上各种空间显著性线索，提出了一种鲁棒的提案排序方案。为了提高算法的性能，该方法在对象级线索的基础之上，还融合了超像素级、像素级等多层次线索。对比实验验证了该模型的有效性。
　　(4)提出了基于背景散度和前景紧凑性的显著性目标检测算法。考虑到语义信息和低层信息存在互补的特性，本文融合语义信息和低层信息来实现更好地表征区域之间的关联性。从图像全局视角，采用背景散度来提取健壮的背景种子，并通过考虑显著性目标的空间紧凑性和稀有性来生成紧凑连贯的前景区域。除此之外，本文还设计了一个通用性很好的传播算法来提高显著性检测的准确率。大量实验结果表明，与现有算法相比，该算法具有较好的性能。