随着社会的进步和人类生活方式智能化地转变,计算机视觉被广泛应用到军事、航天、航海乃至人们的日常生活中的方方面面。迫切的市场应用需求推动着这项理论研究的不断革新和发展。而在计算机视觉中,显著性检测就是模拟大脑的视觉信号处理分析过程,找出图像信息中最感兴趣最显著的部分。本文旨在普遍提高显著性检测智能识别显著区域的精确度。深入了解国内外研究的研究现状后,本文结合了多尺度随机森林模型和加权稀疏表示法进行显著性检测。首先,本文采用了单一尺度上的随机森林模型对训练图集进行特征学习,以获得分类器模型,进行测试实验获取图像的前后景显著性分类结果。同时,为了增强对图像显著目标的轮廓和细节的描述,引入了多尺度学习的概念,用以提高分类器模型的准确度。两次测试实验的结果表明,多尺度随机森林学习的显著性检测结果相比较单一尺度的检测结果性能得到了明显的提高,但是从客观的图像评价指标数据结果上看并不理想,所以该算法需要进一步优化。然后,本文在稀疏表示法的基础上结合机器学习的结果进行优化。其一,在稀疏表示算法上引入罚函数,架构起加权稀疏表示模型。其二,针对不同的字典类型进行重构,不断迭代计算得到最优解,转化成最终的显著性图谱。其中,背景字典的初始值是引入了机器学习得到的显著性检测结果的分类标记。经过测试实验,分析得到该算法自身具备优化性能。此外,针对不同类型的图像数据集,本文算法对比了其他9种优秀算法的显著性检测结果,从主观、客观两方面就实验结果进行了详细的分析。进一步证明,本文算法具有优良的显著性检测性能表现。并且对于实验效果,进行了客观、详细的分析,对进行进一步研究优化提出了合理的建议。最后,对全文进行总结和展望。