有句古话讲:百闻不如一见。这句话充分体现了人类视觉在人类认识和感知世界过程中的重要性。眼睛作为人类感受周围环境的第一扇窗户,大部分的信息都是从眼睛获取的。随着计算机技术的发展,人类试图将人类视觉系统所具备的能力赋予计算机。在计算机视觉和模式识别等领域,人类的视觉信息被体现为对图像的分析和理解。人眼每天要接收到海量的视觉信息,但并非全部的信息会被视觉系统和大脑所处理。只有那些被人类感兴趣且重要的信息才会被留下来,其余部分将被忽略。在计算机视觉和模式识别等领域,希望能够通过图像的显著性检测,提取出图像中的显著对象,突出图像中的显著区域,获得图像的显著图。图像的显著性检测是涉及生物学、心理学和计算机科学等多学科的研究领域。在二十多年的研究过程中,已经有很多的图像显著性检测模型被提出。但伴随着研究的深入,研究人员也面临着一些难题需要亟待解决。图像的显著性检测被运用到医学研究、生物学和工业等多个领域,呈现出了广阔的商业前景,因此对它的研究也具有重要的意义。在本文中,通过对目前图像显著性检测理论知识的学习和研究,从人眼的视觉特性、视觉显著性理论基础和显著性特征等几个方面总结了图像显著性检测的相关基础知识,并研究和分析了几种典型的显著性检测算法。由于图像分割作为图像显著性检测的重要环节,对最终的显著图所表现的效果起着至关重要的作用。在已有SLIC超像素分割算法的基础上,将图像分割在多尺度上,使得图像的边缘信息得到较好的保留,在后续过程中计算显著值时有较好的效果,在显著图中能够更清晰的体现出显著对象。计算每个尺度下分割图像的全局对比度并取多尺度显著值的平均值作为显著图,对获得的显著图进行空间区域的优化处理。将基于全局对比度的HC算法获得的显著图与基于局部对比度的AC算法获得的显著图进行融合,获得两种区域对比下合并的显著图。并将合并后的显著图进行显著区域聚焦处理,显著区域的显著性得到加强,增大与周围区域的差异,让显著对象从周围环境突显出来。最后,对算法进行实际的应用,得到优化后的实验结果。从实验结果与其它算法所得到的显著图进行对比可以看出,显著区域表现出了较好的显著性,能更好的突出显著对象。