伴随着计算机技术和互联网技术的快速崛起,互联网上的图像、视频资源也与日俱增。对于生活中大量的图像和视频数据处理将变得越来越重要,人们如何高效的、快速的从图像中获取感兴趣的信息是一个重要的研究课题。人类的视觉感知系统能够在自然场景中、准确的找到自己感兴趣的目标,计算机通过模拟人类的视觉系统得到图像中的显著区域,即图像显著性区域检测。图像经过显著性区域检测获取目标区域的大致位置,以便将有限计算资源分配给重要信息,提高计算效率。在目标识别,图像压缩,图像分类中有重要应用价值,也是当前研究的热点。虽然目前已经有很多的显著性检测方法被提出,但是还尚存不足,比如算法检测的结果不够精确,不能完整的分割出显著区域。传统显著性检测方法对于一些复杂背景的图像时,无法高亮的显示整个目标区域,检测的目标轮廓较为模糊。针对上述这些问题,本文共提出了两种显著性区域检测算法,其中一种为多尺度下凸包改进的贝叶斯模型显著性检测算法。另一种为多特征改进流形排序的显著性区域检测算法。本文主要研究工作包括:1.为解决基于贝叶斯的显著性检测算法存在的准确率不理想的问题,提出了一种多尺度下凸包改进的贝叶斯模型显著性检测算法。该算法首先通过流形排序算法(MR)在CIELab颜色空间上对图像的前景进行提取,并将其作为先验图;其次通过高斯金字塔算法对图像进行降采样,得到三种不同尺度的图像(包括原图),结合Harris算子检测不同尺度图像的角点,求三者的交集得到更合理的凸包;然后利用颜色直方图结合凸包来计算观察似然概率;最后根据已有的先验图和似然概率,利用贝叶斯模型计算显著图,并进行优化处理得到最终的显著图。2.针对现有基于图的流形排序的显著性检测算法对于复杂背景图像检测中效果不理想问题,提出一种基于多核提升和多特征融合的流形排序改进算法。首先根据图像的RGB,CIELab的颜色特征和LBP纹理特征计算图像的上、下、左、右四个方向的边界显著图,融合四个方向的显著图得到弱显著图;然后根据弱显著图以生成强模型的训练样本,通过多核增强(MKB)算法学习来自输入图像的样本进行强分类,以检测显著像素;最后综合多尺度显著图进一步提高检测性能。结果优化后得到最终的显著图。3.本文在MSRA1000、ECSSD和Pascal-S三个标准数据集上对提出的算法进行实验分析,将本文所提的两种显著性算法与12种影响广泛的显著性算法相比较,无论是在简单场景下还是在复杂背景下本文显著性算法检测效果较好,检测精度都优于上述12种显著性算法。同时将本文算法与其他算法进行时间复杂度分析。本文算法不仅能够得到较好的视觉效果,而且召回率、准确率和F-measure等评价指标比传统算法有明显提升。最后,将本文的显著性算法应用到交通标志检测实际场景和图像放缩感知中,实验表明,本文算法具有很好的检测效果。