生物学上的研究表明,人类的视觉系统存在选择性注意机制,能够使得人在看到某个场景时,快速地将注意力集中到该场景中信息量最大的区域。视觉显著性检测就是模拟人类视觉系统这种选择性注意机制,使得计算机在处理图像或者某个场景的视频时能够更加快速和智能。如何从一幅图像中自动且准确地提取出最吸引关注的区域,就是显著性检测的主要目标。显著性检测作为计算机视觉领域中一个独立的研究方向,可以为分析和理解图像内容提供极大的帮助,在预处理阶段首先对图像进行显著性检测,可以极大地提高后续数据处理的效率,对其他领域的研究有着十分重要的意义。本文首先对目前显著性检测研究的发展和经典检测算法进行了简要的回顾和介绍,重点分析了当前基于学习的显著性检测算法的特点和存在的一些问题。之后,提出一种基于眼动数据图像特征稀疏约束的显著性检测算法。该算法首先建立一个包括多种图像特征的特征池,之后假设图像的显著图由特征池中特征的线性组合表示,并用带有稀疏约束的线性回归方法从眼动追踪数据库的先验信息中学习出该线性组合的权重参数。相较于其他基于学习的显著性检测方法,本算法更加充分地挖掘了眼动数据库中的显著性先验信息,不仅能够自动生成特征融合参数,还能够起到特征选择,去除冗余信息的目的。实验表明,用该算法构造得到的显著性检测模型在检测准确度和检测效率上都有很好的表现。本文还提出一种基于眼动数据显著性先验的视觉特征提取方法。该方法以图像块为基本操作单位,首先利用颜色、亮度、方向特性构造图像块代表特征;之后用k-means聚类的方法生成图像块标识映射集合并计算其显著性程度;最后,对于待检测的图像,在进行分块和图像块分类之后,就可以按照图像块映射集合计算其显著性先验特征。实验表明,在将该特征加入显著性检测模型中后,模型的检测效果会有明显提升。