随着人工智能技术的发展及广泛应用,图像显著性检测技术成为计算机视觉领域热点研究内容之一。图像显著性检测原理是模仿人类视觉注意力机制提取图像中包含着重要信息的显著区域,进而降低后续图像处理任务的计算复杂度,提高计算效率。该技术广泛应用于图像检索、图像分割等计算机视觉处理任务。图像显著性检测算法的研究具有重要意义。首先对传统算法提取特征较为单一,生成的显著图背景抑制不彻底,前景丢失等不足进行改进。设计了一种融合图像对比度与多尺度信息的显著性目标检测算法。算法首先利用图像颜色特征与中心位置特征对比计算得到显著图,再对经由超像素分割后的图像从多个尺度计算得到显著图,之后利用相乘融合方法将两种显著图融合得到最终的显著图。该方法使得目标区域更加突出,背景信息得到有效抑制。其次,针对现有算法强调局部对比度而忽略图像的全局特征,造成检测准确度不高的问题。本文统筹利用了图像的局部信息和全局信息,设计了基于局部和全局特征融合的检测方法。算法先利用图像先验对比度计算得到局部特征显著图,再利用全卷积神经网络提取图像全局信息得到全局特征显著图,最后将两种显著图融合并利用全连接条件随机场优化算法对其进行优化,得到的显著图轮廓更加清晰。最后,为了有效利用全卷积网络相邻层之间的特征,降低神经网络计算的复杂度。本文对输入图像进行平滑预处理,有效降低了图像噪声。算法对全卷积神经网络进行改进,设计了聚合相互学习模块,有效挖掘卷积神经网络卷积层相邻层之间的信息。该网络能够提取图像多尺度信息,得到的显著图像更为完整准确。