显著性检测是计算机视觉领域的核心内容之一,有着广阔的研究前景和应用空间。从1998年显著性检测的概念被提出到现在,已产生了很多有效的算法。基于数据驱动(自底向上)的显著性检测算法大都是根据数据集中图像的特点,将像素间的对比度作为像素的显著性。这类算法不需要预先训练,而且算法一般速度都比较快,处理有规律的图像数据集时有较高的准确率。与之相对的任务驱动(自顶向下)的显著性检测算法需要大量的数据集和时间训练,其处理各类数据集的能力都比较好。而且低分辨率图像具有信息少和特征突出的特点,高分辨率图像信息量大但冗余。利用这个特性,针对现有算法存在的上述问题,本课题基于多尺度方法提出了下述研究内容。针对现有显著性检测算法不满足实时监测中速度和准确率的需求,仍需进一步研究兼顾性能与效率的显著性检测算法。本章根据自然图像的显著性区域一般处于图像中心,显著性区域可以通过计算区域与边界的距离得到的理论,通过多重采样形成多分辨率图像,引入最小障碍显著性检测算法对处理后的图像进行显著性检测,通过比较找出兼顾速度与准确率的图像尺度。在算法运行过程中,对检测图像与背景线索图像进行梯度分析,将两张图像进行融合,改善显著性区域模糊问题。针对基于先验知识的显著性检测算法不具备普适性,进而无法处理大量复杂图像的问题,本文又引入卷积神经网络处理显著性检测相关问题,提出了一个可以提取多视角图像特征并能自主学习多尺度特征融合策略的模型。在该学习模型中,为了实现多视角特征提取,本文引入了在图像分割等任务中表现突出的空洞卷积,将其并列在同一卷积层中,捕获多感受野的上下文。模型将自主学习如何将多尺度、多视角的特征图像融合。最后,将融合图像映射为显著性预测图像。此外,本文用顶层图像指导底层图像的预测以清晰分割边缘。实验证明,本文模型达到了现有的先进算法的水平。