近年来,随着计算机和互联网技术的飞速发展,多媒体数据呈现爆炸式的增长,多媒体信息的存储、传输和处理变得越来越重要,尤其是图像处理相关的研究和应用。显著性检测是图像分析处理前期的一个重要工作,其目标就是检测出图像中最显著最重要的部分。通过显著性检测可以将有限的计算资源优先分配给图像中的显著区域,大大提高图像分析和处理的效率。显著性检测可以应用于许多计算机视觉任务中,包括内容感知的图像编辑、目标分类和识别、图像分割、图像检索等,因此,图像显著性检测问题近年来受到了广泛的关注。在当前已有研究中,基于图和流形排序的显著性检测算法(MR算法)是一个效果很好且具有一定代表性的算法。它将显著性检测问题看作流形结构上的排序问题,以图像边界节点作为查询节点,通过两阶段的流形排序过程得到图像的显著图。MR算法在大多数图像场景下都有良好的表现,然而,由于MR算法过度依赖于边界节点的背景特征,当图像显著区域的特征与背景区域相似,或者显著区域内各个部分特征差异较大时,MR算法无法检测出准确的显著区域。针对MR算法的不足,本文研究提出了两种有效的改进算法。首先,针对MR算法过度依赖边界节点的背景特征的问题,本文研究提出了一种基于流形排序和结合前景背景特征显著性检测算法(MRCFB算法)。该算法的主要改进思路是将基于全局对比度的前景特征也考虑进来,并且在前景特征和背景特征两种显著图的结合上,给出了一种基于颜色和亮度的查询节点选取方法:在大部分MR算法表现良好的情况下,仍然使用MR算法产生的查询节点进行流形排序;但当MR算法得到的显著区域与基于全局对比度得到的显著区域差异较大时,对前景特征和背景特征进行结合,以得到更为准确的查询节点,从而最终获得更为准确的显著图。其次,针对复杂图像背景的情况,MR算法的这一缺点会更为突出,上述MRCFB算法的改进效果也不甚明显,本文进而研究提出了一种基于随机游走的显著性检测算法(MRRW算法)。该算法不仅仍然采用了结合前景特征和背景特征的思想,而且还分别利用流形排序和随机游走算法求得图像基于前景特征和背景特征的显著图,最后将这四种显著图进行结合得到图像最终的显著图。最后,本文对提出的MRCFB算法和MRRW算法分别在Achanta(简单图像背景)和DUT-OMRON(复杂图像背景)这两个公开数据集上进行了实验验证,并与现有MR算法和其他两个近几年出现的效果较好的自下而上方法在多个评价指标上进行了分析对比。实验表明:1)MR算法和MRCFB算法在DUT-OMRON数据集上的效果基本相同,但在Achanta数据集上,MRCFB算法在精确率、召回率和F值三个指标上相比现有三种算法都有较明显的提升;2)MR算法和MRRW算法在Achanta数据集上的效果基本相同,但在DUT-OMRON数据集上,MRRW算法比MR算法的精确率提高了8.5%,F值提高了5.7%,同时这两个指标也明显好于另两种算法;3)本文两种算法各有特色,MRCFB算法更适用于一般的简单背景图像,MRRW算法更适用于复杂背景图像。