视觉显著性是由于人类视觉系统在视觉注意机制的指导下，选择性地处理那些重要的、吸引人眼注意的视觉信息而忽略那些无关紧要的信息而造成的。在计算机视觉领域中，研究者们提出了许多视觉显著性检测方法来实现复杂场景中显著目标的检测，并将其用于图像分割、目标识别等任务中。传统的显著性检测模型忽略了外界环境对图像形成的影响，在前背景相近及噪声干扰下无法准确检测出图像中显著目标。图像本质上是一系列物理本征属性共同作用的结果，这些本征属性能够克服环境影响，增强图像的区分度。本文从计算机视觉研究对显著性检测所显现出的需求出发，根据图像本征分解理论及本征属性进行视觉显著性检测研究。本文主要工作如下:　　(1)本文首先介绍了显著性检测研究中几种常用的特征及其对应的本征属性。然后从基于生物启发、面向计算以及任务驱动三个方面对几种经典的显著性检测模型进行介绍分析，并总结了各自的优缺点。　　(2)针对现有图像显著性检测模型对外界环境干扰鲁棒性差以及在前背景外观相近时无法有效区分的问题，本文利用图像本征属性的环境无关特性，构建一种融合梯度和颜色属性的显著性检测方法。该方法根据图像表面的变化情况对图像像素进行显著与非显著划分并在多尺寸框架下计算区域颜色对比度，通过指数加权的方式融合基于梯度和颜色属性的显著图得到最终的显著图，有效抑制了背景噪声，保留前景显著区域。实验结果证明了本文方法有效性，达到了与当前经典算法可比的检测效果。　　(3)为了有效地从动态场景中提取前景运动信息并抑制背景信息，实现视频显著性的检测，本文构建了一种基于时间和空间显著性检测的视频显著性检测方法。该方法利用光流法从视频序列中提取出图像的运动信息并在此基础上计算视频每帧图像的时间显著图。为有效地克服背景运动信息对显著性检测的影响，本文通过分析视频中物体运动的剧烈程度构建一种自适应的显著图融合方式，动态地赋予时间和空间显著图不同的权重以得到最终的视频显著图。本文在公开数据集上进行显著性检测实验。