数字图像作为表达思想和传递情感的重要信息载体，其对应的图像处理技术已广泛应用于医学工程、通信、军事公安、航空航天等领域。然而，如何利用有限资源高效处理图像数据是关键。基于视觉的显著性目标区域检测能模拟人眼视觉系统，预测视觉优先关注区域，为后续任务提供有效预处理结果，提升任务处理效率。利用深度神经网络进行图像显著性区域检测能避开任务前期显式的特征提取及表述，在训练网络的过程中隐式学习显著性区域特征，训练完成的网络具有泛化能力。　　本文首先介绍了显著性区域检测的研究背景及发展现状，阐述了视觉注意机制的基本概念、视觉注意的两种模型，分析了显著性区域检测的基本理论。　　然后，提出了一种基于全卷积神经网络和图优化的显著性区域检测算法。该算法利用学习获得的全卷积神经网络(FCNN)初步预测待处理图像的显著性区域，再在初步预测结果基础上，利用图的方法，加强相似区域间的联系，优化显著性检测结果。本方法在SOD和DUT数据库上的客观评价指数AUC值及F-Measure值均较优，能更准确地提取显著性区域。　　其次，提出了一种基于全卷积神经网络和多核学习的显著性区域检测算法。该算法利用全卷积神经网络的自主学习能力，挖掘数据库中所有图像显著性区域的共通特性，再在初步检测结果的基础上，通过多核学习，挖掘图像内部特征之间的权衡性。本方法在SOD和DUT数据库上的客观评价指数AUC值及F-Measure值均较优，表明系统最终的显著性输出能准确捕获到被处理图像的显著区域，在减少了主观干预的同时能取得良好泛化能力。　　最后对全文进行总结和展望。