近年来，视觉显著性检测已成为国内外计算机视觉领域研究的一个热点问题，在图像检索、视频压缩与图像分割等领域引起了广泛的关注。但已有的显著性检测算法依然面临检测精度低等问题。因此,本文针对图像完整显著性检测方法进行研究，以提高检测的精度。　　针对当前大多数显著性检测方法不能准确检测位于图像边缘的显著性目标这一问题，提出了一种基于背景模板抑制的显著性目标检测方法。首先，将图像分割为超像素块，利用设计的背景选择方案去除其中显著的超像素块构建背景模板。计算每个超像素块与背景模板的相异度获取基于背景模板抑制的显著图，采用基于K-means的传播机制进行一致性优化；然后，利用基于目标中心优先与背景模板抑制的空间先验方法获得空间先验显著图；最后，融合优化的背景模板抑制图与空间先验图获取最终显著图。　　针对现有方法不能完整检测部分区域与背景具有相似特征的显著性目标这一问题，提出了基于轮廓检测的显著性目标完整性检测方法。首先，提取输入图像的初始轮廓，利用提出的基于虚拟连接的轮廓处理方案合并相邻的轮廓并移除孤立的轮廓，利用设计的基于最短路径的闭环搜寻方案合并距离较远的轮廓，获取基于轮廓检测的显著图。然后，利用自适应阈值分割算法处理基于背景模板抑制的显著图获取二值化显著图与显著像素点。通过去除含有显著像素点比例小于指定阈值的轮廓完整区域，获取优化的基于轮廓检测的显著图。最后，将其与二值化显著图进行融合，获取完整显著图。　　本文方法在公开数据集与新建数据集CBD上仿真实验，并与14种经典算法进行对比。结果证明本文方法针对显著性目标位于任意位置的图像均能取得较好的显著图。最后，设计并实现了基于Django平台的显著性分割系统。