视觉显著性检测一直是计算机视觉领域中比较重要的一项技术。人类的视觉系统根据视觉信息选择关键部分进行更精细的分析与处理,人类视觉的这种机制如同一个过滤器剔除一些无关紧要的信息,将感兴趣信息保留下来,提供的内容更贴近图像本质。显著性检测的目标是提取包含对象的图像区域,一般通过求解图像的显著性图提取显著目标。图像显著性检测在计算机视觉领域得到广泛应用包括图像检索、分割、目标识别等。如今寻找对象显著性区域的方法已有很多工作,基于扩散的显著性检测方法是其中一类比较重要的方法,先找到图像中的显著性种子点,然后利用扩散方式将种子点的显著性扩散,得到最终的显著性图。此过程中关键是如何更好的选择种子点并进行有效传播.现存的选择种子的方法当图像比较复杂或者前景和背景接近时种子点的选择会出现错误,从而影响最终显著图的质量。本文先通过基本检测方法先得到图像的初始显著性图,然后将显著性图进行相应的处理,突出图像中的的种子点和背景点,再将这些点的显著性进行有效传播得到优化的显著性图。主要工作如下:(1)综合评价6种常用的显著性检测方法选择其中一种方法获得图像初始显著性图。(2)将初始显著性图分块并进行阈值化处理,正确选择出显著性种子点和背景点。(3)将改进的随机游走方法和流形排序方法相结合获得更加精细的显著性图。(4)在MSRA-1000与MSRA-5000这两个公开数据集,以及作者所在课题组构建的服装图像数据集上进行测试,并和近几年常用的6种显著性检测方法对比,实验说明本文方法较之前方法均有了不同程度的提升。