本文从重构误差的角度,提出了一种新颖的图像显著性检测算法。根据显著目标一般不会出现在图像四周的假设,本文将位于四周的图像块视作背景模板。不同于以往传统的做法,本文利用该背景先验为单幅图像构造背景字典,以充分利用待测图像的有效视觉信息,而不是从大量的自然图像块中为所有待测图像学习一个字典。在上述背景字典的基础上,本文提出了重构误差显著性的概念,具体分为以下三个步骤：(1)首先,利用背景字典构造稠密和稀疏重构模型,计算各个图像块的重构误差。(2)然后,对原始图像进行K-means聚类,通过基于上下文的重构误差传播机制,在各个类内的图像块之间传播重构误差。(3)最后,通过多尺度重构误差的融合,获得像素级的重构误差值,并用一个目标偏置的高斯模型对其进行滤波,获得最终的像素级重构误差显著度。此外,本文基于贝叶斯公式,还提出了一种新的显著图融合机制,将由稠密和稀疏重构误差产生的显著图有效地结合了起来。本文算法在三个公开的显著目标检测图像库上进行了评测,并与其他17种经典算法分别进行了定性和定量的比较。实验结果表明,本文算法产生的显著图能够表现出比现有经典算法更高的准确率、召回率和F-measure值,尤其具有更高的召回率,且显著图具有较强的背景噪声抑制能力,同时还能够均匀地凸显目标。