显著性目标检测技术在计算机视觉领域具有重要的应用价值和理论研究意义,它主要通过模拟人类视觉注意力机制,自动检测图像中最引人注目和吸引眼球的目标或区域。目前,随着此技术的迅速发展,显著性目标检测已经广泛应用在图像分割,图像压缩,目标发现,图像重定向,图像识别和人工智能等领域。过去几年,低秩矩阵恢复理论在很多图像研究领域中得到了广泛关注。基于低秩矩阵恢复的众多显著性目标检测模型也陆续被提出。这些方法主要基于一个共同的假设,即一个场景中的背景部分通常包含冗余信息,而显著性区域往往是稀疏的。因此,给定一个图像,那么它的特征矩阵可以看作是一个低秩矩阵与一个稀疏矩阵的组合,分别对应于该图像的背景和显著性区域。本文基于此理论,先后提出了非凸低秩结构化矩阵分解模型和基于稀疏梯度的结构化矩阵分解模型,用于图像的显著性目标检测。第1章,简单介绍静态图像显著性目标检测的相关背景和国内外研究现状,并阐述本文的贡献和基本结构安排。第2章,总结相关的图像显著性检测理论知识,并介绍显著性目标检测的常用测试数据集和相关评价指标。第3章,提出了一个非凸低秩的结构化矩阵分解显著性目标检测模型。由于核范数优化问题的解是次优的。因此,我们采取贝叶斯观点,利用最大后验估计得到了一种非凸低秩正则约束。新的低秩优化模型具有封闭形式的解,分解后的矩阵L位于更低秩的子空间上,背景更加干净。第4章,提出了基于稀疏梯度与结构化矩阵分解的显著性目标检测模型。模型采用稀疏梯度正则项（即稀疏矩阵S梯度的₁l范数）来代替拉普拉斯正则,避免矩阵分解时的过度平滑,同时降低低秩矩阵和结构化稀疏矩阵之间的相关性,使分离效果更好。第5章,详细阐述未来工作中将张量的方法用于视频显著性检测的设想,并初步建立基于张量分解的视频显著性目标检测模型框架。