图像的显著性检测利用计算机模拟人眼的视觉注意机制,从图像中自动提取人们感兴趣的区域,是图像处理的基础性研究。现有的显著性检测算法在前景和背景颜色相似时,会检测出大量背景噪声,当前景目标位于图像边界时,检测出的显著目标有缺失。本文提出一种基于多先验和图模型的图像显著性检测算法。本文的主要工作和创新点如下:基于多先验和图模型的图像显著性检测。基于超像素计算多种先验信息:对象性先验信息、纹理先验信息、颜色先验信息、边界先验信息和显著性先验信息,在前景背景颜色相似的情况下可以准确的检测出前景目标。构建全连接图模型,基于不同的边界先验信息计算显著图,检测出的显著目标在边界部分无缺失。同时利用多种方式进行优化,包括基于颜色和位置的优化,基于全卷积网络(FCN)的优化以及利用边界细化网络(BRN)的优化,均匀一致地突出显著目标。本文实现了图像显著性检测在协同显著性检测和协同分割领域的应用。当图像背景复杂、有多个前景目标时,同组图像共同的前景目标难以完整地检测出来,针对该问题本文提出基于协同项优化的图像协同显著性检测算法。利用协同项优化显著图,可以将共同的前景目标完整地检测出来。在此基础上本文提出基于全局项和局部项的图像协同分割算法,利用基于全局的数据项、基于局部的数据项和平滑项进行协同分割,将同组图像共同的前景目标完整准确地分割出来。将本文提出的基于多先验和图模型的图像显著性检测算法在MSRA-10K、ECSSD、SED2、PASCAL-S和DUT-OMRON五个显著性检测数据库上与主流算法进行主观和客观对比实验,实验结果证明了本文提出的算法在PR曲线、F-measure和S-measure上优于现有算法。将本文的基于协同项优化的图像协同显著性检测算法和基于全局项和局部项的图像协同分割算法在i Coseg数据库上与主流算法进行对比实验,实验结果证明了本文提出算法的优越性。