伴随着相机等设备的普及,图像以成组的方式出现在大众视野中,这些图像中往往包含相同类别的显著性目标。图像协同显著性检测的目的在于从多幅图像中检测出相同类别的显著性目标。当前景区域颜色和背景区域颜色相似时,现有的图像协同显著性检测算法容易受到背景区域噪声的影响并且不能均匀一致地突出协同显著性目标。对于上述图像协同显著性检测算法中存在的问题,本文提出一种基于能量优化的图像协同显著性检测算法(Co-Saliency detection based on Energy Optimization,CSEO)。论文主要工作包括:为解决协同显著性图容易受到背景噪声影响的问题,CSEO算法提出质量评估分数对图像显著性图进行排序并选取图像组中的简单图像。其中质量评估分数包含分离度测度和一致性测度,分离度测度用来评估前景区域显著性值和背景区域显著性值的分离程度;一致性测度反映图像中非协同显著性目标对协同显著性目标的影响。经过质量评估分数排序后,从图像组中选取简单图像来引导图像组中其它图像的协同显著性检测。为解决协同显著性图不能均匀一致地突出协同显著性目标的问题,CSEO算法提出能量方程融合单幅图像显著性线索和图像间显著性线索,其次CSEO算法改进图像边界连通性,在边界连通性的基础引入特征差异项构造单幅图像空间位置线索,避免显著性目标较大并且处于图像边界位置时,显著性目标大面积缺失的现象。图像间显著性线索反映图像中前景区域的一致相似性,避免了非协同显著性目标对协同显著性目标的影响。在iCoseg和MSRC数据集上对CSEO算法进行验证,将CSEO算法与目前流行的图像协同显著性检测算法进行对比,并进行主观比较和客观比较。结果表明CSEO算法可以均匀一致地突出协同显著性目标,避免背景噪声对协同显著性目标的影响以及显著性目标较大并且处于图像边界位置时,显著性目标缺失的现象。为了进一步验证CSEO算法的性能,将CSEO算法的协同显著性图与目前流行的图像协同显著性检测算法的显著性图进行图像分割,并将分割结果分别在iCoseg和MSRC数据集上进行对比实验。结果表明利用CSEO算法的协同显著性图可以更加完整地分割协同显著性目标。