随着信息技术不断发展,海量图像和视频的时代已经到来,其信息量之大给计算机视觉处理带来了新的挑战。对于纷繁复杂的环境,人类可以迅速在其中搜索到感兴趣的区域,基于人类视觉注意机制的显著性物体检测研究一直是计算机视觉处理领域的热点。显著性物体检测的算法核心是合理构建视觉注意模型,以更好地模拟视觉注意机制。当前对显著性物体检测的建模或通过自顶向下方法利用先验信息,或通过自底向上方法利用特征信息,亦或二者的融合。自底向上方法的核心是有效提取对显著性检测有用的特征,并对其合理地运用。本文模型利用DenseNet实现端到端的显著性物体检测,该网络能够充分利用各卷积层提取的特征信息,使用时不需额外参数,易于训练,方便快捷。该模型对于具有复杂背景的图像,仍有良好的检测效果。本文选取了若干传统方法和基于深度学习的显著性物体检测方法,在多个广泛使用的测试数据集进行了大量测试和评估,实验验证了本文提出的显著性物体检测算法的有效性。通过显著性检测算法获得图像的显著性图后,为了从背景中分割出显著性物体,本文还提出了一种基于Graph Cuts和视觉显著性的图像分割算法。该算法结合显著性图,并利用图像原有信息,使用SLIC等方法重新构造用于分割的能量函数。实验表明本文所提分割算法可以较好地提取出显著性物体。