制约智能服务机器人发展的关键技术问题是如何使机器人具有人类智慧,其中对环境准确、快速的空间感知与识别又是亟待解决的首要问题。面对日益庞大的图像数据,传统对所有区域不设优先级的图像分析方法不符合人眼感知原理,造成了大量的计算浪费。近年来,作为降低图像及视频处理复杂度的重要预处理步骤,基于人类视觉注意机制的图像视觉显著性区域检测技术发展迅速,学者们开始关注其在服务机器人环境感知领域的应用性研究。本文面向三维空间服务机器人环境深度感知问题,围绕建立符合人类视觉注意机制的视觉显著性模型展开研究工作。首先,针对单幅图像,分别提出了基于脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)和基于元胞自动机多尺度优化的改进显著性区域提取算法。其次,针对多幅图像中的协同显著性问题,在充分挖掘单幅图像显著性传播机理的基础上,提出了基于两阶段引导的协同显著性检测方法。最后,完成了服务机器人空间障碍物感知和空间物体定位的具体应用系统设计。本论文主要研究内容如下:(1)为有效模拟生物视觉系统的神经元刺激机制,提出了一种改进显著性区域提取算法。该算法利用显著性滤波算法(Saliency Filters,SF)和改进PCNN建立混合估计模型,首先将SF算法获取的亮度特征图作为PCNN的输入神经元,经调制解调单元输出为内部神经元;随后以内部神经元与SF算法生成的二值化初始显著性图点乘结果作为点火脉冲单元的输入信号,实现对点火范围的优化;最后经多次迭代,直接生成二值化显著性图。实验结果表明,所提算法能够有效抑制背景中高亮度区域对显著性目标提取的干扰,显著性提取结果与真值更为接近。(2)在有效解决背景等显著性目标外部干扰的情况下,针对因显著性目标自身显著性分布不连续、局部区域差异过大造成的显著性区域内部检测结果不均匀以及局部显著性值丢失等问题,提出了一种基于元胞自动机多尺度优化的显著性细微区域检测算法。首先结合暗通道先验信息和区域对比度在同一张图片五个超像素尺度空间内分别构建原始显著性图;进一步利用元胞自动机建立动态更新机制,通过影响因子矩阵和置信度矩阵优化每个元胞下一状态的影响力,获得对应五个优化显著性图;最后在基于贝叶斯理论的融合算法框架下实现最终显著性图的获取。实验结果表明,所提算法检测结果有了质的提升,基于目前公认最具挑战DUT-OMRON数据库的评价结果优于现有六种显著性检测算法。(3)在单幅图像显著性算法研究的基础上,针对群组图像的协同显著性检测问题,以充分挖掘单幅图像显著性传播机理为研究切入点,提出了一种基于图像间显著性传播和图像内流形排序的两阶段引导协同显著性检测方法。对N张群组图像中的任意一幅图像,第一阶段借助单幅图像显著性探索其与组内其它图像两两间的共同相似性属性,获取N-1张初始协同显著性图;为了有效抑制非相似区域的背景干扰,在第二阶段中,通过高效流形排序算法(Efficient Manifold Ranking,EMR),计算N-1张前景显著性图每个像素点的排序值,以更新之前的显著性检测结果,恢复出第一阶段中误检为背景的相似性区域;在融合算法框架下生成最终协同显著性图。实验结果显示,所提算法能够在无需前期大规模训练数据的情况下,实现对群组图像间协同显著性目标的快速检测,标准数据库比对结果较现有算法具有明显优势。在应用于真实场景物体检测与分割时,该方法同样具备较高的准确性和执行效率。(4)利用RGB-D传感器获取的深度数据,对二维视觉显著性技术进行扩展,实现了对显著性区域的空间描述。进而围绕制约服务机器人智能化水平的三维环境感知问题,以基于视觉注意机制的图像分析理解研究为基础,提出了视觉显著性检测技术在服务机器人场景深度感知领域的具体应用方案。首先针对服务机器人移动过程中对场景中障碍物信息的实时感知问题,提出了基于显著性检测的空间障碍物感知方法;随后面向服务机器人六自由度机械臂物体抓取任务,提出了基于协同显著性检测的空间物体检测与定位方法。