视觉显著信息计算十分困难，但是在生物视觉系统中获得了高效实现。人工视觉系统对视觉显著信息的计算鲁棒性较差，并且数值计算量庞大。目前常采用自底向上类的算法或根据先验知识来获取图像显著性信息的方法，第一类算法不使用任何的先验知识，通过对比机制将显著性目标从背景中突显出来;第二类算法需要有足够的先验知识才能进行特征提取和目标特征检测。　　本研究主要内容包括：①分别基于全局特征提取与无监督的图像分割技术提出了两种不同的图像显著性检测方法和提取原理。首先，将决定人类视觉注意力的自由观察对比机制糅合进局部和全局特征提取过程，实现了显著性检测和提取。进而设计了一种无监督的图像分割技术，实现了统一显著目标中可能含有的多个类，使其更易于从背景中提取出来。②通过全局对比度提升和形态学计算以及后续的加权理论将图像分割为前景和背景两类，突出具有最大显著性信息的色域。加权处理过程涵盖了ESFTA算法、边缘连接数、连接的标签数和中央优先准则4种情况。通过最大化显著性信息增强，不仅凸显了显著性区域，而且减少了背景。此外，基于直方图的使用第二峰值选择标准和背景预测的处理过程将L*a*b颜色空间中的L（亮度空间）剔除掉，从而提升了对比度，避免了背景在亮度空间中的对比操作对显著目标的提取产生的高频干扰。③基于分割技术实现了图像显著目标同时拥有多种类别的情况下的提取。针对显著目标必须被整体考虑且独立的特性，提出了HSV色域空间和启发式初始化方法，从而可以采用最大期望算法量化图像和加权二值树进行图像的显著性目标提取。论文采用的谱聚类方法能够去除因关联矩阵所带来的计算瓶颈，使得论文采用的算法在时间、尺寸和权值等方面均优于普通的谱聚类方法。④根据实际情况使用查准率、查全率，平均绝对误差以及精度对比图对论文所提出的算法和9个经典的算法进行对比，做出综合评价，结果证明了论文提出的方法的准确性与有效性。