视觉显著性是神经科学、心理学和视觉感知的基础研究问题。显著目标检测是视觉显著性的一个重要分支,能对场景中的显著目标进行定位和分割,在计算机视觉领域已经得到广泛应用,如目标识别、目标分割、图像压缩和图像检索等。根据是否使用先验知识将显著目标检测模型分为两类:自顶向下和自底向上。在自底向上的显著目标检测模型中,基于低秩矩阵的恢复模型是一种具有代表性的方法。该方法将图像表示为背景区域和显著区域的组合。然而当图像的前景和背景相似度较高时,现有的基于低秩的检测模型很难准确将两者分开,导致分解性能降低。本文针对这一问题,提出了两种基于低秩的显著目标检测算法。本文的主要研究内容如下:(1)为了更好地将图像的前景和背景分离,提出了基于字典和加权低秩恢复的显著目标检测算法。首先构建低秩恢复模型,在模型中融入字典,更好地将表示背景的低秩矩阵和表示前景的稀疏矩阵分离。然后获取颜色、位置和边界连接先验的显著图。为了更充分地利用先验信息,根据其显著值生成自适应系数。最后构造高层背景先验,将三种先验组合成权重矩阵,融入到低秩恢复模型中。在六个具有挑战的数据集上与11种算法进行比较,实验结果表明所提出的算法效果最好。(2)为了更完整地检测出图像的显著目标,根据低秩恢复理论,提出基于迹表示和正则化的显著目标检测算法。首先根据冯·诺依曼-迹不等式,将核范数替换为矩阵的迹表示以获取更低秩的解。然后在模型中加入拉普拉斯正则化项,减少稀疏矩阵和低秩矩阵的联系,扩大前景和背景之间的差异。最后将位置、颜色和边界连接先验整合成权重矩阵,融入到低秩恢复模型中。在六个数据集上与14种算法进行比较,实验结果表明所提出的算法优于其它算法。