随着信息技术的不断发展和应用，图像作为信息的主要载体逐渐成为信息技术领域的重点研究对象。在丰富的信息中如何找到我们感兴趣的内容即数据筛选问题一直是信息技术的研究热点，因此图像数据的筛选也就引起了广大学者的高度重视。我们知道，人类具有异常突出的视觉数据筛选能力，而随着神经学以及认知心理学的发展，人类进行视觉处理的机制逐渐被了解，也就促进科学家们进行了大量模拟视觉选择机制的研究。许多学者尝试从不同的领域解决图像数据的筛选问题，对于包含多个感兴趣目标的图像，由于图像中存在多个目标和复杂的背景，在提取目标时主要有以下两个方面的问题需要解决：一方面希望提取到的目标具备完整的语义结构，另一方面又需要合理的机制来实现目标之间的转移并确定感兴趣目标的个数。针对这一问题，本文提出了一种将空间注意模型与物体注意模型相结合的研究方法，尝试将这两类模型进行优势互补来解决显著目标提取中遇到的一些常见问题。本文的主要研究内容包括：对彩色多目标自然场景图像的目标提取研究。针对彩色图像，由于其所包含的信息丰富，首先利用空间注意模型得到图像的空间显著图，然后对空间显著图进行分割，得到仅包含单个显著目标的子场景。结合基于物体的注意计算模型，在子场景内准确提取显著目标：包括判断某个单一区域是否是显著目标以及判断多个区域是否属于同一显著目标，确保提取到的目标具备较为完整的语义结构。对灰度图像中显著目标的提取进行了研究。针对包含信息较少的灰度图像，提出了一种基于区域的显著度量方法，并自适应提取图像中的多个显著目标：首先使用基于图论的方法将图像分割成不同的区域，其次计算区域之间的相似性并将区域重心的距离作为区域相似性的权值，构建灰度图像的显著图，最后对显著图进行多阈值分割实现显著目标提取。对多目标场景提取时显著目标的转移机制进行了研究。在实现多个显著目标的提取的同时对显著目标的重要性进行了排序，并依照排序结果实现显著目标的转移。此外，也考虑了不同显著区域和目标的合并，无论是彩色图像还是灰度图像，对提取的显著目标进行合并和转移后都能得到更准确的多目标。最后，选用Achanta图像库和Caltech中的图像对本文算法进行了大量实验验证。实验结果表明，本文所提出的方法在对静态图像进行多个显著目标的提取时取得了令人满意的结果，且该方法具有普遍适用性，可在以显著目标提取为基础的其他图像处理问题中得到广泛的应用。