近几年移动互联网与社交网络的迅速发展使得网络中图像数据呈爆炸式增长。利用显著性检测技术让计算机快速选取图像中感兴趣区域以便更加高效的图像处理，成为计算机视觉领域一大研究热点。然而现有的显著性检测算法在显著性目标完整度和背景噪声抑制上还存在不足，本文围绕图像视觉显著性检测，在其它经典论文的基础上，结合视觉显著性检测原理与特征融合理论，以多层次特征提取与融合为角度，设计了新的显著性检测方法。本文的工作主要包括以下几点：　　①现有算法大都采用全局特征进行单层次的显著性检测，由于局部信息的缺失，仅能对显著性目标进行粗略的标记，而无法有效地抑制背景噪声以及准确地标记显著性目标细节。因此，本文从多层次特征提取出发，提出基于多层特征融合的显著性检测算法。首先，通过设计邻域聚合方法将全局特征与局部特征映射到邻域上，通过邻域特征补全连续邻域空间信息。然后，将图像使用局部、邻域、全局三个层次表示，改善了传统采用单一层次特征所导致的信息缺失问题。最后利用支持向量机进行特征融合，避免使用数学运算进行特征融合时参数选择的问题，让支持向量机通过学习自动分配参数。通过对公共数据集上的数据进行实验，结果表明本文提出算法的平均绝对误差明显好于其它8种经典方法，其它指标也均优于经典算法。　　②基于多层特征融合的显著性检测算法在图像的显著性目标检测中效果较好，但由于多层次特征划分不够细致导致在显著性目标的完整性检测以及背景与边缘噪声的抑制上还存在提升空间。因此，在该算法的基础上加入区域层次与中心－边缘层次特征，将图像以五个层次特征表示。其中通过介于邻域与全局之间的区域层次特征进一步地保留超像素不同尺度细节。利用中心比边缘更易出现显著性目标的现象，引入中心－边缘层次特征用于边缘与背景噪声抑制。此外，全局特征中计算全局颜色对比特征时离对比中心越近的超像素对比度权值越高，但由于显著性目标内部区域与周围颜色对比度较小，该特征将导致显著性目标中心对比效果不好。因此本文提出新的颜色对比特征，利用离超像素越远颜色对比越强的规律，随距离逐渐提高超像素的权重，从而更加完整地高亮整个显著性物体。通过对公共数据集进行实验，本算法在平均绝对误差以及其他性能指标上的表现明显好于基于多层特征融合的显著性检测算法与其它几种经典算法。