在信息量庞大的数字图像或者视频中,针对观察者感兴趣的区域,自动检测并快速识别区域中的主要信息的过程被称为显著性区域检测。随着数字图像的广泛传播,传统显著性区域检测算法性能无法满足日益增长的用户需求,因此,显著性检测算法的研究具有重要意义。图像感知单元可以是像素或者一个区域,为了提高算法性能,本文将显著性检测中的感知单元聚类成超像素块,提出一个种子点优化函数。利用LBP算子计算每个超像素的信息量,将信息量过多的超像素,分割成两个小的超像素。改进SLIC超像素分割算法,使生成的超像素更加紧凑均匀且贴合目标的边缘。针对纹理简单的自然图像,利用一个控制因子加强超像素的颜色对比度,并结合超像素的空间位置特征,分析每个感知单元的全局对比度,得到最终的显著图。针对纹理复杂的自然图像,本文引入纹理粗糙度概念,根据Tamura对纹理与自然图像的视觉描述,将一幅图像的粗糙程度细化到各个感知单元。结合颜色与位置特征分析复杂纹理图像的显著性。最后提出一个自适应阈值检测显著目标。本文实验图像来自MSRA1000图像库,利用该库中的二值基准图计算查全率,查准率,F度量。并与当前经典的显著性算法进行对比。实验结果表明,论文中的算法具有更高的精度,能够有效的检测出图像的突出部分。另外,本文从数据库中构建了纹理图像集,评判本文算法对纹理复杂的自然图像的显著性检测性能。通过对比本文算法在两个数据库上的性能指标,表明对于纹理复杂的自然图像,本文具有更好的显著目标检测性能。