图像显著性检测方法在图像压缩、图像检索、图像识别等领域中扮演着非常重要的角色。然而,图像显著性检测方法面临着两个重要的问题:一方面,目前效果较好的图像显著性检测方法能够在现有的数据集上取得很好的结果,而在实际应用中的效果往往与理想实验条件下不匹配;另一方面,图像显著性检测方法的评估算法较多,且各评估算法的结果经常不一致,导致实际应用中难以选出最优的显著性检测方法。鉴于此,本文研究了图像视觉显著性检测方法的抗噪性和基于图像检索(Content-based Image Retrieval,CBIR)的显著性检测方法的评估算法。主要内容包括:提出对图像显著性检测方法抗噪性的研究。通过在原图上添加不同粒度和类型的噪声模拟实际应用中的失真图像。基于评估数据,分析显著性检测方法的抗噪性能。在国际上现有的6个公开测试数据集上,本文对10种前沿的显著性检测方法进行评估,再结合7种典型的图像去噪方法,分析显著性检测方法的抗噪性能。本文的实验数据表明:(1)显著性检测方法的抗噪性通常能随着图像噪声粒度的增大而减小。(2)图像去噪方法可以极大地提高显著性检测方法的抗噪性。其中,眼球运动数据集上,NF显著性检测方法和Median去噪方法的结合方案效果最好;人工分割数据集上,SO显著性检测方法和C-BM3D去噪方法的结合方案效果最好。综合考虑时间和性能因素,SO显著性检测方法和Average去噪方法结合是适用于两类数据集上的最佳方案。提出基于CBIR的显著性检测方法的评估算法。本文以RGB颜色直方图为依据,结合显著性检测方法得到的显著性图或用户标注的标准图为权重,统计加权的RGB颜色直方图,用于计算两幅图像之间的相似性。以此相似性为检索依据,获得图像排序。最后通过比较显著性图加权的检索结果与用户标注图加权的检索结果之间的差异性,评估显著性检测方法。实验数据表明,在MSRA-1000数据集上,该评估算法结果显示,SO,SMD和MR显著性检测方法排名前三;在PASCAL-1500数据集上,排名前三的是DF,SMD和SO显著性检测方法。显著性检测评估算法中,2014年提出的WF评估算法的结果与本文提出的评估算法结果相关性最高。