随着互联网的普及以及智能手机、社交网站的迅速发展,信息时代人们对图像和视频等视觉数据的应用需求也在迅速增长。面对着这些海量的信息,人们越来越倾向于通过计算机从图像和视频数据中获取有用信息。视觉显著性检测能够有效地模拟人类对图像的视觉感知,检测出符合人类视觉认知的显著目标或区域,这样人们就能够将有限的计算资源分配至视觉信息中的重要部分进行重点分析和处理,从而缩短数据处理的时间和提高计算机的信息处理效率。到目前为止,由于我们对人类的视觉系统的认知还不充分,当前显著性模型还有诸多不足之处,因此显著性模型研究依然是计算机视觉领域的研究热点之一。本文的主要工作包括以下两个方面一:(1)当给定一个含有特定目标图像集时,人类视觉注意会逐渐关注这类目标。为了有效地模拟人的这种视觉感知,本文提出了弱监督学习下的视觉显著性目标检测算法。该算法通过不断的加强对显著性区域的学习及更新显著性区域,逐渐地学习出特定目标的视觉表征,最后实现对这类视觉目标的感知,从而模拟人对特定目标的逐渐关注和学习的过程。实验对比结果表明,所提算法能够有效的检测出视觉显著性目标,并且具有较高的准确率。(2)人对事物的感知可以分为预注意阶段和识别阶段,在无意识的情况下,往往图像中区别度最大的区域或目标能够俘获我们的注意力,当带有顶层先验知识后,则我们的视觉会对与顶层先验知识相关的视觉目标比较关注。为了模拟人类的这种视觉感知过程,本文提出了底层和顶层信息协同感知的视觉显著性目标检测算法,该算法主要是通过顶层信息改变底层视觉特征的分布实现对视觉目标感知。先提取图像的多种初级视觉特征,根据对比度计算多种初级视觉特征的显著图,然后再对顶层先验知识建模以获得与视觉目标相关的信息,最后将底层显著特征与顶层信息结合实现对视觉目标的协同感知。实验结果表明,本方法能够较好地模拟人类这种视觉感知过程。