目标检测和异源图像轮廓提取在目标搜索、智能交通和军事等领域具有广阔应用前景,本文从人类的视觉选择性注意机制入手,研究了基于视觉注意机制的目标检测和异源图像轮廓提取方法。针对经典Itti模型对不同场景中的显著目标提取不具有通用性的问题,本文提出用亮度对比度特征取代原有亮度特征,突出了显著目标与背景区域的边缘差异性和鲁棒性,更有利于显著目标的提取;并针对原模型特征的选取不能精准反映目标的显著性问题,提出一种优化的自适应权值调整的显著图融合方法,能够适应不同场景中显著目标的提取。与经典Itti模型的对比实验表明,本文改进模型能更加准确提取出显著目标。针对目前大部分车牌提取方法不能很好地解决复杂背景情况下的车牌提取问题,本文将改进的模型应用于智能交通系统的车牌区域检测中,提出了一种基于视觉显著性和彩色信息融合的新方法,即在复杂背景中先提取显著性高的物体,再根据车牌区域的彩色信息精确提取出车牌区域,该种方法对车牌的位置无特殊要求,并可以检测倾斜车牌区域,与现有其他的车牌定位方法相比,本文方法的车牌区域检测精度提高了13%,特别是能在较复杂背景情况下定位出小区域车牌,对车牌区域变形也有一定的鲁棒性。另外,为了证明本文方法的适用性,又将改进后的模型应用于海洋上的残骸和油污漂浮物等目标检测,实验结果表明,该方法同样适用于海上显著目标的检测。针对现有异源图像的轮廓提取研究中阈值分割方法容易形成空洞,以及一般聚类分割方法无法排除背景区域对分割干扰的问题,根据图像显著图具有区域显著度相似性的特性,提出了一种基于显著图聚类和区域合并的分割方法。即通过对显著图进行K‐means聚类,并对聚类后存在的过分割问题,采用区域合并的方法对小区域进行合并,使最终分割区域形成统一的灰度值,从而为轮廓提取奠定基础。与现有方法对比实验表明,本文方法能够对可见光图像、红外图像和雷达图像进行符合人眼视觉注意的轮廓提取。