视觉显著性检测算法在图像压缩、图像分类、图像检索等应用中都起到至关重要的作用。研究者们提出了众多的显著性检测算法。本文通过对比各显著性检测算法得到的显著性图像,发现每种算法得到的显著性图像和人工标注的标准图像相比都存在相似的缺陷。通过不断改进算法性能,本文提出4种显著性检测优化算法,并从传统的显著性检测评估、图像质量评估以及基于内容的图像检索应用三个方面进行评估。首先,本文提出一种基于统计拟合的显著性检测优化算法,统计显著性图像集和人工标注的标准图像集的数据,并选择最合适的拟合函数模型对统计数据进行拟合,计算拟合函数模型的参数,最后将拟合函数模型作用在新的显著性图像上进行优化。实验结果表明优化算法适用于多种显著性检测算法的优化,在传统的显著性检测评估标准、图像质量评估标准以及基于内容的图像检索应用三个方面都优于原显著性检测算法。其次,本文利用图像之间的相似性,提出一种基于聚类的显著性拟合优化算法,提取描述图像场景的GIST特征和描述图像色彩的颜色直方图特征计算图像的相似性,并根据相似性采用K-means方法进行聚类,利用同一聚类内的图像来计算人工标注的标准图像与显著性图像之间的定量关系。实验结果显示该优化算法适用于多种显著性检测算法的优化,并且比基于统计拟合的显著性检测优化算法的优化效果更好。进一步地,本文利用相邻像素之间的相似性,提出一种基于邻域信息学习的显著性检测优化算法,采用像素点的邻域信息作为特征,并利用机器学习的拟合模型挖掘显著性图像与人工标注的标准图像之间的关系,并作用于新的显著性图像,使作用后的显著性图像更加接近人工标注的结果。实验表明,基于邻域信息学习的显著性检测优化算法同样适用于各显著性检测算法的优化,并且优化算法的性能得到进一步提高。最后,为了优化自然环境中含有复杂对象的图像的显著性图,本文提出一种基于条件随机场的显著性检测优化算法。算法采用全连接的条件随机场方法,利用全连接图模型结合彩色图中的颜色和位置信息来调整原显著性图像的显著性值,消除噪点的影响,并利用图像聚类和网格搜索方法搜索核函数的最佳权重,使同一聚类内的显著性图像采用相同的参数设置进行优化。实验结果显示,基于条件随机场的显著性检测优化算法不仅适用于简单场景数据集,也适用于复杂场景数据集的优化。