图像显著性检测可作为计算机视觉图像处理中的预处理环节,获取视觉感兴趣区域并去除图像中的冗余背景信息,提高图像处理效率,故此在现今视觉图像处理的各个领域得到大量的应用。迄今为止,有各种各样的显著性检测算法被提出,而近年来的基于深度学习方法的提出,很大程度地提高了显著性检测算法的鲁棒性能。图像显著性检测依然具有诸多问题,其中主要包括:显著性目标的边缘仍不清晰以及准确度仍需提高,算法质量受图像分辨率影响等问题;同时本文针对以上两个问题分别提出了对应的解决方法,一是针对显著性目标的边缘仍不清晰以及准确度问题,提出了基于背景先验的加入翻转因子的Grab cut与超像素分割算法相结合形成的图像显著性检测算法;二是针对算法质量受图像分辨率影响的问题,本文简化了 Unet卷积神经网络模型,并结合超像素分割算法优化。本文主要完成的工作有以下几点:（1）为了证明显著性检测算法中背景先验的有效性,本文对四大数据集共计13133张的图片以四周边缘10 pixels宽度进行了统计,得到超过97.9%的图片中四周边缘10 pixels宽度以内的数据全都是背景信息,证明了背景先验的有效性。（2）为了加快算法的运行,本文对灰度的不同转化公式进行大量的实验分析,系统的对比分析证明采用移位算法确实可以加快灰度转化的速度为常用的灰度转化公式转化速度的2倍左右,而移位算法中移动位数在5到8位之间均可。（3）针对显著性检测在质量一般的图片中准确性和边缘不清晰的问题,本文提出了基于背景先验的Grab cut算法,并向算法中加入翻转因子以有效的改善算法对右下两侧数据的不敏感性,而后与超像素分割算法相结合形成的图像显著性检测算法,可以有效的检测出显著性目标区域。最后在共计12233张的图片中测试,平均绝对误差全部小于10%,即准确度全部大于90%。（4）为了有效改善算法在图像分辨率低会受到影响的问题,本文简化了 Unet卷积神经网络模型,本文从模型深度和卷积核的数量上对Unet卷积神经网络模型做了压缩。将图片转化为灰度图形式输入,达到可以在普通CPU的系统上在几个小时内就针对单目标集合构建网络模型,其检测速度在GPU上可达到100fps,在THURD中的飞机数据集（1032张）上测试,可达到超过93%的准确率,最后用超像素分割算法优化图像,成功地将数据的平均绝对误差从7%降到了 5%。