由于计算机视觉技术的迅速发展,面向工业的视觉缺陷检测技术则受到了广泛的关注。但是随着生产技术的不断提升,很多传统的视觉缺陷检测技术已无法满足工业生产要求。若缺陷检测技术能与视觉系统的工作原理相结合,优先定位疑似缺陷区域然后再对该区域进行集中处理,就能避免计算资源浪费并提高综合性能。因此,设计符合视觉注意的显著性检测方法并将其引入视觉缺陷检测的过程具有重要实用价值。本文首先对人类视觉系统的构成、注意力机制以及形成过程进行了详细阐述。然后对目前经典的显著性算法模型进行了详细介绍,包括基于生物视觉的Iffi模型,基于快速频域处理的Hou模型,基于上下文内容的Goferman模型,以及基于图像分割区域对比度的Cheng模型。但其模型也都存在局限性：算法效率低、特征信息单一、复杂背景鲁棒性差等。综合视觉缺陷检测要求,本文提出融合全局色差和局部纹理特征的显著性算法。本文模拟视觉系统原理,首先在全局空间内对于自然场景图的色度显著性进行计算,再结合直方图量化和显著性平滑得到全局显著特征图；然后再提取自然场景图的三种纹理特征,再对多尺度的不同特征分别融合,通过线性加权得到局部纹理显著特征图；最后将全局特征和局部特征进行融合,并将融合结果作用于全局特征,利用抑制策略有效地抑制阴影或纹理等环境干扰,并得到最终的显著性图像。该算法可以较为快速准确寻找显著性目标,而且可以有效地抑制复杂背景的影响,比较符合视觉缺陷检测的实际应用环境。本文算法在Achanta的公开测试数据集进行测试,并与经典显著性算法进行对比,在计算速度、视觉效果、ROC曲线及线下面积、精度-召回率-F测量值等性能方面都处于较高水平,基本满足视觉缺陷检测技术高精度、高速率等要求。最后将显著性特征应用于钢坯表面检测,设计了基于显著性特征的钢坯表面缺陷检测方法,通过提取钢坯表面的全局和局部显著性特征,并与Gabor边缘特征相结合,获得高可信度缺陷区域,有利于缩减检测定位时间。通过实验结果表明,基于显著性特征的钢铁铸坯表面缺陷检测方法速率快,性能提升明显,具有较好的实际应用价值。