协同显著性检测是指从一组图像中检测出共有的、显著的前景目标，在场景分割和目标跟踪等领域起着重要的作用。如何计算图像内和图像间显著值是算法中最关键的步骤，然而现有很多算法没有探索更多的表征图像内和图像间关系的特征信息，故当图像组背景环境复杂、前景目标混乱不易区分时，无法准确地检测出前景目标。
　　为了探索更有效的特征信息、弥补颜色特征的局限性，本文提出了一种基于对象性和多层线性模型的协同显著性检测算法。该方法融合了显著性先验和对象性概率计算图像间显著值，然后设计了局部区域特征计算图像内显著值并用图像的矩进行整合，最后通过多层线性模型自适应融合各个显著值。
　　为了更进一步增加特征信息的多维性，本文增加了深度信息，提出了一种共显性对象优化函数将深度信息与颜色信息有效融合，并设计了一种深度概率指导的多重约束的背景先验进行优化；为将深度信息有效地融进图像内和图像间显著值计算过程，本文提出了一种有效的显著性传播机制，该方法利用深度优化图和超像素显著性传播标签来计算初级显著性传播置信度，然后利用图像内部区域和外部相似度约束来计算高级显著性传播置信度。
　　实验结果表明，本文算法有效地将对象性概率和深度信息与颜色信息进行了整合，同时增加了算法的鲁棒性和适应场景、视点等变化的能力。多特征的有效利用和显著性传播机制最大化地利用了图像间的互补信息，能准确地检测出均匀一致的共显性目标。