目前现有的图像视觉显著性分析算法,虽依据不同的理论方法,但就其显著目标提取效果上看,都着重分析显著目标的整体性和差异性。并且,在度量和计算显著性区域时,其整体和局部的角度会反映出不同的显著特征,综合注重显著目标的整体一致性和局部差异性,可以准确的把握显著区域的综合特征,获得图像的整体和局部的显著性信息,可以更加准确的描述图像的显著目标。基于上述显著性检测方法的分析,本文首先以整体和局部的角度出发,分析IG算法可以保持良好的目标整体性,但忽略了局部细节的对比,抑制了显著区域。为此通过NIF算法进一步凸显局部细节差异性特征。分别检测基于整体一致性和局部差异性的显著信息,最终将两者充分结合而得到一种新的显著性检测方法MAX算法,从而达到同时把握目标整体性和局部差异性的效果。其次,本文提出将突出整体一致性和局部差异性的显著性信息应用到目标分割上,避免过分割以及分割不足等缺点,本文利用谱聚类算法对初始过分割得到的图像进行区域聚类合并,进而得到最终的分割结果,并且取得较为满意的实验结果。在实验中,我们建立以自然图像数据库中的数据进行实验,结果表明本文提出的显著性检测算法与人工分割图在显示目标的绝对效果上达到了一致,并且较现今较流行的显著性检测算法,本文算法在凸显目标的最高效率以及统计指标的定性评价中都取得较好的实验结果。另外,对于融合显著性信息的图像分割,在定量评价分析体系中得到较为满意的结果。