显著目标检测是计算机视觉领域的重要课题之一,其主要任务是模拟人的视觉注意机制,从图像中快速分割出最容易引人关注的物体或区域。目前,显著目标检测已作为一种重要的图像信息预处理技术被应用到包括图像检索、目标追踪、物体识别等众多领域中。视觉显著性分析可有效引导图像的冗余抑制,对大数据时代的图像处理具有重要意义。但由于图像中物体种类繁多、场景复杂多样,设计出一种能适用于各类场景的显著性分析算法仍是一项极具挑战性的课题。本文提出一种基于边界先验和迭代优化的显著目标检测模型。该模型包括两个重要的组成部分:1)一种基于边界先验的区域背景似然度估计模型。受边界先验启发,该模型将图像中某个区域与边界部分重合面积大小定义为该区域的背景似然度。本文中背景似然度定义来自于一种准确的几何模型,该模型整合了包括颜色相似性、连接平滑度、空间临近性等的多种显著性线索,可以有效检测出显著目标的整体位置和轮廓。2)一种基于迭代优化的显著图增强模型。在每次迭代中,首先用一种基于贝叶斯理论的种子选取方法,将少数容易识别的显著/背景区域提取出来并赋予相应类标签,以引导后续优化过程;然后用一个最小二乘优化模型对类标签、先验估计和平滑先验三种线索进行融合,使输出结果比上一次迭代输入具有更高的准确性和完整性。此外,此优化模型还具有很强的通用性和纠错能力,任意给出一幅低质量显著图,该方法均能将其优化至先进水平。本文在四个公开数据集数万张图像上对所提出方法进行了性能测试。实验表明,本文提出的基于边界先验和迭代优化的显著性检测模型在各个评价指标下均优于现有的先进技术。