协同显著检测是计算机视觉领域一个新兴且快速发展的研究方向。作为视觉显著性研究的一个分支,协同显著性检测指的是从两张或者更多张相关图像中获得既具有显著性又不乏一致性的前景区域,而且随着研究的深入,协同显著性检测在其他领域有很好的应用前景。目前,学术界关于图像组协同显著性计算算法主要分为两类:一类是传统协同显著性计算算法,此方法严重依赖人类的先验知识,基于人工设计的特征来计算图像组的协同显著性,这种方式在实际应用场景中很难灵活适应复杂的外界环境;另一类是目前大多数研究所追求的无监督学习方法,虽然无监督学习在很多方向得到很好的应用,但是,用这种方法来研究图像协同显著性问题所设计的模型往往会忽略每组图像的弱标记信息,导致训练的模型缺少鲁棒性,在实际场景应用中也并没有表现出很好的效果。本文通过对以上两个问题的分析研究,提出了基于多示例学习的协同显著性检测模型,为了进一步构建完整的检测框架,在其基础上提出基于深度多示例学习的协同显著性检测算法。首先,为了解决对手工特征的依赖,本文利用卷积神经网络得到图像的特征表示,减少人为因素对算法性能的影响;其次,为了更好利用图像组带有的弱标签信息,本文利用多示例学习来解决协同显著性计算问题,最后,本文通过训练一个深度多示例学习网络来完成图像组的协同显著性检测。具体来说,本文的主要研究工作分为以下两个部分:(1)将图像组的协同显著性检测问题转换为多示例学习问题。针对目前无监督学习对数据集的弱标签信息利用不充分问题,将协同显著性研究转换为多示例学习,将图像组带有的弱标签信息作为构建包和示例的依据,利用多示例学习算法为包内无标签信息的示例分配标签,从而将包含协同显著性目标区域的正示例筛选出来,最终得到图像组的协同显著性区域。(2)构建深度多示例学习网络完成协同显著性检测。本文通过融合深度神经网络与多示例学习思想,构建一个可端到端训练的深度多示例分类网络。本文利用网络中的卷积组完成包和示例特征的提取;利用自顶向下的高层语义特征来指导自底向上的协同显著性检测;利用示例聚类的思想对多示例学习网络进行优化,从而提高分类器的性能。最后,在iCoseg数据集和MSRC数据集上实验,计算相关的评价指标,验证算法的性能。