人类的视觉系统可以快速、准确的处理各种复杂的图像信息,得益于它的视觉注意机制。而显著性检测研究主要以生物学、计算机科学等学科理论为基础,利用计算机模拟人类的选择注意特性快速的进行图像显著区域提取。其主要功能是为图像的分割、压缩、检索等算法提供预处理过程。本文在充分了解当前主流算法的优缺点之后,结合人类的视觉特征提出了两种准确性更高的显著性检测算法。针对目前一些主流算法普遍存在的背景噪声较多,显著区域不够高亮、完整等问题,提出一种结合边缘信息与空间权重的显著性检测算法。首先将Lab图像进行超像素分割处理,以超像素代替传统的像素点计算可以大大提升计算效率。提取图像边缘超像素作为背景依据集,通过计算任意超像素与背景区域集内超像素在颜色、亮度方面的差异,生成背景差异显著图。再考虑位置信息空间权重计算得到最终的显著图。考虑到第三章显著性检测算法的局限性,这里我们在第三章算法的基础上进行了改进。提出一种结合边缘与前景区域加权的显著性检测算法。通过任意超像素与背景区域集内超像素进行差值计算后,生成背景差异显著图。在此基础上结合凸包区域来确定前景先验区域集。通过计算任意超像素与前景先验区域内超像素的差异,生成前景差异显著图。融合两部分显著图,最后引入空间权重计算以及S型曲线优化,得到最终的显著图。同时本文算法与其它算法在多个方面进行比较。结果表明本文的两种算法均能得到更为准确的显著图,背景噪声更少、目标区域更为高亮;而在PR曲线、ROC曲线、F-Measure值以及平均绝对误差等多个方面均高于其他经典算法,从而证明了本文算法的有效性。