随着科学技术的不断进步,专家学者发现人类存在一种选择性视觉注意机制。该机制能够帮助人们在面对纷繁复杂的场景时快速提取自身认为有效的信息。诸多研究人员期望将视觉注意机制引入到计算机视觉领域,便于图像理解和分析,同时减轻人工工作量。近年来,图像显著性检测作为该机制在图像处理领域的研究方向之一被成功地应用在目标检测、识别、图像压缩等多个领域。传统的显著性目标检测算法习惯于应用图像底层特征和先验知识,而当显著区域位于图像边缘时,利用先验知识的传统方法生成的结果往往不理想。本文基于吸收马尔科夫链与Adaboost提出了 一种有效减小目标靠近边缘所引起误差的显著性检测方法,主要工作包括以下几个方面:(1)本文首先利用马尔可夫链模型生成初始显著图,在该模型中,以各超像素之间的颜色、纹理差异定义各节点之间的转移概率,计算转移节点的被吸收时间作为各个超像素的显著值。该显著图可以很好地检测图像细节。(2)提出了一种基于Adaboost原理的强分类器优化模型,初始的显著图经由该分类器处理得到一个优化的显著图,从而突出全局对比度。通过加权结合两幅显著图,我们得到具有二者优势的最终显著图。(3)为了提取显著性的区域,我们提出了一种利用条件随机场的方法进行显著性区域分割,该方法相比传统阈值分割方法更为灵活,同时得到的显著性区域完整而清晰。本文在四个公开的显著性检测数据库(MSRA、ASD、SED、SOD)上对本文的算法以及六种最近提出的算法进行对比评测,评测标准为图像处理中常用的几种指标:准确率-召回率曲线(P-R曲线)、AUC值(ROC曲线下面积)以及F-measure值。同时,本文提出的优化模型能够很容易的应用于其他现有算法,从而大幅度提高其他算法的表现。本文通过大量的实验证明了本文算法的有效性和鲁棒性,并且与现有模型相比更强健和高效。