视觉注意能够把有限的处理资源快速而准确地分配到显著的视觉区域上。同时由于视觉选择性注意机制在图像压缩、目标检测、图像检索等方面有着广泛的应用价值。因此,如何在生物学启发下建立机器视觉模型得到极大关注。但目前的视觉注意模型主要依赖像素间的相互对比,缺乏从全局角度对显著目标的分析理解,当背景较复杂时,检测结果不够理想。鉴于此,本文对一些新的视觉注意计算模型展开研究。首先,研究一种基于空间分布特性和局部复杂度的显著目标检测算法。首先根据局部区域与其多个尺度邻域的对比,得到亮度显著图;然后利用颜色信息的显眼性、空间分布和区域一致性得到颜色显著图;同时通过对方向的空间分布和局部复杂度进行多尺度分析得到方向显著图;最后将三者线性融合得到显著图。实验结果表明该算法是切实可行。其次,通过将视觉显著性检测公式化为马尔科夫随机游走问题,研究一种基于目标全局孤立性和局部同质性的图表示随机游走显著区域检测算法。首先将输入图像进行分块,利用颜色和方向特征确定边的权重,从而确定马尔科夫转移矩阵;然后通过全连通图搜索提取全局特性;同时通过k-regular图搜索提取局部特性;最后结合全局特性和局部特性得到输入图像的显著图,进而确定感兴趣区域位置。该方法得到较好的检测结果。最后,根据生物视觉注意机制,研究一种基于混合图上随机游走模型的显著目标检测算法,利用颜色特征距离确定无向图的边的权重,同时采用方向特征的空间扩散程度和局部方向熵对比确定有向图的边的权重,进而结合无向图和有向图得到混合图;然后通过图搜索度量每个像素块的显著性,得到输入图像的显著图。实验结果验证了算法的有效性。