随着互联网大数据的快速发展,人们越来越注重对图像中有价值信息的深度挖掘,但如何快速有效地提取图像中的关键信息,解决数据冗余带来新的挑战。显著性区域检测能够快速提取图像中的关键信息,有效地处理图像的冗余信息,减少计算量,是计算机视觉任务中关键步骤。因此显著性区域检测算法在计算机视觉领域被广泛使用,并取得显著成果。虽然目前已经提出很多算法用于显著性区域检测,但检测效果仍差强人意,如背景噪声得不到很好的抑制、显著区域的范围不够完整以及检测结果不理想等,对后期计算机视觉领域的应用研究精度产生了很大误差。针对现存问题,本文提出了两种显著性区域检测算法,即基于多尺度的贝叶斯模型显著性检测算法和多先验融合的显著性检测算法。本文的主要研究工作如下:(1)针对基于贝叶斯模型的显著性检测算法中存在准确率不理想问题,提出基于多尺度的贝叶斯模型显著性检测算法。首先,通过超像素分割算法(SLIC)将原图分割成不同尺度的超像素,根据超像素边界信息得到背景种子,进而通过距离计算和多尺度融合得到背景先验;其次,对原图进行颜色增强,采用Harris算子对增强图进行角点检测求得凸包,融合不同尺度下的超像素得到凸包先验;然后,融合背景先验和凸包先验得到最终先验;再利用颜色直方图和凸包计算似然概率;最后,将最终先验和似然概率通过贝叶斯模型计算显著图。在数据集MSRA1000、ECSSD和DUT-OMRON上与多种算法进行准确率和召回率对比,该算法有较好的表现。(2)为解决基于背景先验的显著性检测算法在检测复杂背景图像时存在误检问题,提出多先验融合的显著性检测算法。首先,将图像分割成四种不同的超像素尺度,根据流形排序算法计算出不同尺度的边界显著图,并进行线性融合得到最终边界先验;其次,利用边界信息得到背景种子,进而利用距离和元胞自动机融合得到背景先验;然后通过颜色归一化处理,计算出颜色先验;最后,将三个先验图通过多元胞自动机模型得到最终显著图。在数据集MSRA1000、ECSSD和DUT-OMRON上与多种算法进行实验对比,该算法略胜一筹。(3)在标准数据集MSRA1000、ECSSD和DUT-OMRON上对本文提出的两种算法进行实验分析,并与12种主流显著性检测算法进行比较。通过实验对比发现,无论是在检测精度方面还是视觉效果方面,本文算法都更胜一筹。最后,将本文的显著性检测算法应用到海上目标检测实际场景中。实验表明,本文算法能有效的提高显著区域的检测精度并能够获得较好的检测结果。通过对比实验可以发现,本文的显著性检测算法对海上目标检测结果的准确率、召回率和F-measure值均有明显提高。