显著性检测主要以心理学和生物神经学等学科理论知识为基础,模拟人类视觉系统预测图像的感兴趣区域,可以为图像分割、图像检索等图像处理算法提供准确预处理显著图,提升整体算法处理效率。本文针对目前算法生物理论依据不足、人为定义特征的局限性及检测精度不够等问题,提出两种不同角度的显著性区域检测算法。对于目前显著性检测算法特征计算单一,显著目标不突出等问题,本文分析其检测机制,改进除法归一化特征计算方式,提出一种基于超像素分割和空间权重的除法归一化显著性区域检测方法。该算法加入超像素分割预处理,以超像素块代替像素点进行除法归一化计算,然后在Gestalt理论基础上构建空间权重并优化输出最终检测结果。现有显著性模型只增加显著特征的数量,而没有加深对特征的分析利用,且大多数显著性模型应用范围较小,无法满足复杂情况下的检测。本文结合传统显著性检测原理和深度学习技术,提出一种基于深度卷积神经网络和区域对比度的显著性区域检测模型。该模型在基于VGG-16网络搭建的显著性检测网络预测的初步显著图基础上,加入区域对比度的方法,增大显著目标和背景区域的差异,改善显著性检测效果。我们对本文两种检测方法在数据库MSRA-1000上与其他算法进行了实验,并在显著图的定性观察和评估指标的定量检测两方面进行了对比。实验结果表明,本文两种算法均能准确捕获待处理图像的显著目标,更加符合人类视觉机制特性,从客观评价指标P-R曲线、ROC曲线、F-Measure及MAE值均高于其他对比算法可以看出,算法的综合性能较为出色。