随着科学技术的进步,人们产生的图像信息随之激增。如何从海量的资源数据中快速挖掘出为人们所利用的信息,成为研究者密切关注的问题。对于这个问题的不断探索促进了计算机视觉的快速发展。图像显著性目标检测是计算机视觉研究的子领域,作为其预处理过程旨在对要处理的图像自动地检测和分割出人类感兴趣的区域。本文针对如何提高图像显著性目标检测性能的问题,提出了基于加权k近邻和深层指导的图像显著性目标检测算法。本文的具体工作如下:k近邻优化的显著性检测算法。针对如何提高经典传统显著性检测算法性能的问题,本文提出了一个基于加权的k近邻线性混合算法。首先,利用现有的方法来产生初始的弱显著图并获得训练样本;然后引入加权的k近邻模型来预测样本的显著性值,加权的k近邻模型不需要任何训练过程,仅仅需要选择一个最优的k值和计算与测试样本最近的k个训练样本的欧式距离;为了减少选择k值带来的影响,多个加权的k近邻模型通过线性混合的方式融合来产生强的显著图;最后,将多尺度的弱显著图和强显著图融合来进一步提高实验效果。基于深层指导的显著性检测算法。针对如何有效地利用卷积神经网络各层特征的问题,本文提出了一个将全局特征信息从深层逐渐传递到浅层的深层指导网络。该网络嵌入了三个有效的模块,分别为混合特征增强模块、判别特征模块和显著性推理模块。混合特征增强模块接收相邻层的特征图并经过处理后,得到表示能力增强的特征图,从而减少了空间细节的丢失,并降低了目标形状、尺度和位置变化的影响。判别特征模块从通道和空间维度来增强各层特征的判别性。显著性推理模块将该层判别性特征与上一层特征进行融合,得到优化后的层次特征。三个模块的作用依次是增强特征提取网络提取的各层原始特征、强化特征之间的判别性以及通过鲁棒的特征推理出最终的显著图。本文提出的两种显著性检测算法在公开的显著性数据集上进行了评测,实验结果表明,基于加权的k近邻线性混合算法能够有效地提升传统显著性检测算法的性能;基于深层指导的显著性检测算法能够更好地融合卷积神经网络的各层特征,从而高效地检测和分割出图像中显著性目标,并且在评价指标上表现出达到甚至稍优于其他经典算法的性能。