近年来,通用的显著性目标检测模型在计算机视觉领域的应用越来越广泛,引起了越来越多的关注。总体上说,显著性目标检测算法可以分为两类:自底向上（Bottom-up）的方法（由激励驱动）与自顶向下（Top-down）的方法（由任务驱动）。自底向上的处理结果能够在自顶向下特征的作用下偏置到场景中感兴趣的部分,这些自顶向下信息包括目标的特征、先验信息、场景上下文和任务的需求等。自底向上和自顶向下这两种因素应该结合起来形成融合的框架进行视觉显著性分析。论文对图像的视觉显著性目标检测进行了深入细致的研究,主要包括了以下几方面研究内容:（1）提出了一种融合图像上下文和位置先验信息的显著性目标检测算法。目标位置的确定是用基于图的流形排序（Manifold Ranking,MR）的显著性目标检测算法得到的显著图计算的,并且定义了一个权值变量描述各超像素与目标位置间的关系。算法能消除目标背景,图像中显著的目标得到均匀高亮显示,实验结果证明了算法的可行性。（2）提出了一种基于图的流形排序与引导学习的显著性目标检测算法。首先对四种利用了边缘先验信息的显著性目标检测算法进行了对比分析,为了在显著性目标检测中保持高的召回率的同时提高准确率,提出了三点改进思路:第一,从超像素中提取简单的视觉特征,包括颜色、方向和空间信息;第二,为了克服经典的基于图的流形排序（MR）的显著性目标检测算法中背景先验假设的缺点,使用了仿射传导聚类算法（Affinity Propagation Clustering,APC）自动聚合超像素为不同的特征类别。根据目标与背景（改进的）边缘连通度的不同,图像边界上的超像素会得到较大的权重即较大的背景概率值,这样边界上真正的背景超像素就被筛选出来。本文使用了改进的MR算法计算图像的显著性值;第三,为了进一步增强算法的性能,前面第二步的结果可以作为“弱”显著图,利用引导学习算法从中产生“强”显著图从而得出最终结果。（3）提出了一种基于新的注意力控制机制的特定显著性目标检测的通用计算框架。在计算框架中融合了注意力控制的三个部分即当前目标（Current Goal）、选择历史（Selection History）与场景显著性（Physical Salience）,通过实验定性和定量验证了当前选择目标、选择历史产生的作用,实验同时显示三者间对检测正确的显著性目标有竞争一样的作用。（4）提出了一种融合深度学习特征与自顶向下信息的细粒度特定显著性目标检测方法,该方法能有效地检测图像中与查询图像相同的目标。查询图像及其3个子采样图像用于提供自顶向下的信息以指导显著性检测。因为人脸具有固有的显著性,常常是视觉注意的焦点,所以本文通过人脸检测评估模型的性能;介绍了一种基于多尺度深度CNN特征的显著性目标检测方法,然后分析了该方法的不足,利用正则化非线性回归算法进行了优化。实验结果显示深度学习算法应用于目标的显著性检测比传统的算法在性能上得到显著提升。