随着数码产品的普及和互联网技术的飞速发展,图像已经成为一种重要的信息载体。如何让计算机快速地从图像中提取感兴趣的信息是医学、军事、生活中图像处理和计算机视觉研究领域的一个热点。图像显著性检测是通过模仿人眼视觉系统的注意力选择机制主动选取与周围环境差异较大的目标,并输出一张被称为显著图的灰度图像。显著图中像素点的灰度值越大表示该像素点越有可能属于显著区域,在后续处理中优先分配更多的计算资源来分析显著区域,减少图像分析系统的处理负担。本文从生物视觉注意机制出发,分析了基于图像区域的视觉显著性检测算法的合理性和可行性;通过总结显著性检测研究的主要方法,发现现有图像显著性检测的方法只能大致检测出显著性的物体,但是检测出来的准确率和速度有待进一步提升。针对这一问题本文提出了一种改进的基于区域特征和统计特性的显著性检测方法。该方法首先通过超像素图像分割方法构造图像区域。然后改进一种用街区距离和棋盘距离的线性组合来代替计算复杂度高的欧式距离的区域特征的显著性检测算法,使得它与原算法相比检测综合性能有所提升。同时在基于统计特性的显著性检测算法中,计算图像区域颜色的空间分布特性,根据区域颜色的空间分布的方差进行显著性检测。最后,通过高斯模型把基于区域特征和基于统计特性的方法结合起来,形成理论优势互补。让融合后的方法检测出的显著性目标更加准确,速度也有所提高。通过在公开的测试数据集MSRA-1000上用本文方法和多种不同显著性方法做全面对比,进一步验证本文方法在检测准确率和检测时间上的优越性。