图像在获取的过程中可能包含模糊区域，这些模糊对图像质量的影响很大，影响人们获取想要的信息，因此有效的检测出这些模糊区域就非常重要。本文的研究是图像局部模糊测量与分割，具体如下:　　(1)基于显著性的图像局部模糊测量　　针对数字图像中存在的纹理平坦区域，如何有效且迅速的检测出这些模糊区域一直以来都是个问题。为了解决该问题，本文提出了一种局部极值点与显著性相结合的检测方法。本文的方法是将体现图像变换域特征的奇异值向量，体现图像高频信息的局部极值点与HiFST(High-frequency multiscale Fusion and Sort Transform)系数相结合，用BP(Back Propagation)神经网络进行训练、预测得到初步结果，再与图像显著性特点相结合，提出一种基于显著性约束的优化方法得到进一步的检测结果，最后再通过双边滤波优化边缘信息得到最终的结果。在一个大型数据集上进行准确率-召回率(RP)的实验结果表明，本文提出的基于显著性的模糊检测方法对于区分纹理平坦的清晰区域和模糊区域有很好的效果。　　(2)基于显著性的模糊区域分割　　现有的模糊分割方法很难准确的分割开清晰区域和模糊区域。针对这种问题，我们提出了一种基于显著性的模糊区域分割方法，使用一个新的能量式用于模糊区域的分割，将模糊检测的结果通过阈值约束成为区域项，再通过显著性差值和模糊差值的关系，在能量式中的边界项上提出了一个新的约束项，即通过相邻像素的显著差值对像素进行约束，最后加上相邻像素的颜色相关性，将三者结合，以获得更好的分割结果。通过实验对比，本章提出的基于显著性的模糊区域分割方法相比于其他的分割方法在分割模糊区域方面获得了更好的分割效果。