显著目标提取属于中级视觉范畴,通过检测视觉输入中具有独立视觉意义的显著结果,向高级视觉任务提供更佳的输入,是计算机视觉领域中非常重要的研究课题。本文基于图像序列的时域和空域分析,综合考虑运动、颜色、纹理等多种时空特征,研究显著目标的提取算法,并将其应用到目标的检测、识别和视频分割等领域。本文以图像序列为输入,提出基于时空分析的目标提取算法,本文的主要工作如下：1、由于相似度计算中归一化问题对于聚类结果的好坏非常重要,本文对长点轨迹的时空结构特征进行了研究,提出了一种基于自适应尺度因子的显著目标提取算法。在Brox数据集上的实验结果证明,该算法在聚类后目标提取的准确性方面较Brox的算法更优。2、针对Brox算法中很多长点轨迹并不能够反映出图像中的显著目标问题,并且长点轨迹数目过多导致相似度计算和聚类的效率低下。文中在运用边缘特征来优化长点轨迹的基础上,提出了基于边缘的长轨迹显著目标的轮廓编组算法,该算法不仅能够减少相似度计算和聚类的复杂度问题,而且得到的轮廓编组结果更能体现出图像中的显著目标。在Brox数据集上的实验结果证明,该算法在速度和目标提取的准确性方面较Brox的算法和Alex的算法更优。3、针对长点轨迹相似度定义困难和点轨迹数量大导致计算相似度和聚类复杂的问题,文中将提取的边缘片段作为编组元,分别提取编组元的颜色、纹理、运动和时域特征并将提取的多特征相似度进行融合,提出了基于边缘的多特征显著目标轮廓编组算法,算法不仅解决了上述点轨迹算法存在的问题,而且在目标提取的准确性方面比Brox点轨迹算法更好。