在计算机视觉领域,为了使计算机能够模拟人类视觉的工作机制,快速提取出图像中具有重要价值的信息,人们在图像显著性检测领域做了很多探索和努力。图像显著性检测即利用数字图像处理技术,将给定图像中具有重要价值的、最能引起人类视觉注意或感兴趣的目标标记出来的技术。目前该领域的发展方向主要有两个分支:其一是利用图像的传统手工特征来进行图像显著性检测,即基于传统特征的模型;其二为使用深度学习获取图像深度特征以进行图像显著性检测,即基于深度学习的模型。基于传统特征的算法由于缺乏高级语义信息,取得的效果通常并不能达到预期。而基于深度学习的算法由于缺乏传统特征所具有的图像颜色、纹理等信息,显著性目标又时常会出现轮廓不清晰、细节信息丢失的情况。针对上述问题,本文提出了以下算法:（1）提出了一种基于超图的多特征图像显著性检测算法。首先,在预处理阶段,算法对图像进行了超像素分割;图像被划分为超像素后,接着使用颜色和空间关系特征,融合图像的深度特征,构建了图像的加权超图模型;最后利用随机游走算法生成最终的显著性图。针对可能出现的将背景错认为显著性目标的情况,算法还做了反转校正的后处理。实验证明,融合了传统特征与深度特征的加权超图模型比单纯使用传统特征的模型对语义信息的获取能力更强,相较于其他优秀算法拥有更高的准确率,生成的显著性图更加接近真值图,算法性能有较大提升。（2）提出了一种基于多尺度深度特征的显著性检测算法。该算法基于全卷积神经网络,设计了一种双通道的算法模型,在对图像进行零均值化的预处理后,输入双通道网络,将显著性值高的区域放大进行重点检测,最终的输出为两个通道输出阈值的加权平均。实验证明,该算法通过对不同尺度的图像进行检测,逐步消除了非显著区域,并且对于不同的复杂数据集,该算法表现依然出色。（3）提出了一种融合超图模型和卷积神经网络的图像显著性检测算法。该算法通过使用图像融合技术,对上述两个算法的显著性图进行加权平均融合,实现了两种模型的优势互补。实验证明,该算法在准确定位显著性目标同时基本消除了背景噪声,保留了显著性目标的细节信息,且在不同数据集上的性能指标有明显提升。