图像显著性检测是计算机视觉和多媒体领域的研究热点,融合互补的可见光和热红外图像进行图像显著性检测已成功应用于许多计算机视觉任务中,例如目标跟踪、行人重识别等。可见光-热红外(RGB-T)图像显著性检测旨在使用热红外图像辅助可见光图像进行显著性检测。但是在显著性检测任务中存在着大显著目标内部缺失外观一致性、目标接近图像的边界以及配准RGB-T图像时会在边界产生噪声等问题。针对这些挑战,现有的RGB-T显著性检测方法采用了传统的图模型,然而这种固定不变的图只包含局部的信息,而忽略图节点之间内在的联系,导致不能很好的捕捉到图像的外观信息。本文针对上述问题开展研究,构造了一个新的RGB-T图像显著性检测标准数据集,并且提出了两种基于协同图学习的RGB-T显著性检测模型。第一,贡献了一个更具有挑战性的标准数据集,由于当前可见光和热红外图像显著性检测数据集的稀少,故为了更好的检验所提出模型的鲁棒性,本文考虑了RGB-T图像面临的多种复杂挑战因素,构造了一个包含1000对空间对齐的RGB-T图像对以及对应的真值标注的RGB-T图像显著性检测数据集。第二,提出了基于多尺度协同图学习的多模态多尺度种子节点优化排序算法,用于RGB-T图像显著性检测。首先给定一组初步对齐的可见光和热红外图像,将它们联合分割成一组多尺度的超像素。然后将这些超像素作为图节点,并执行多模态多尺度流形排序以实现显著性计算,其中进行跨模态和跨尺度的协同合作有利于去整合不同模态的各个尺度的信息。同时为了处理由于显著物体和配准导致的排序种子(即边界超像素块)的噪声干扰,还引入一个中间变量来推断最佳排序种子,并将其表述为稀疏学习问题。最后,通过使用联合的交替方向乘子算法(ADMM),在一个联合的优化框架下来求解排序模型。在基准数据集上进行的大量实验表明,相对于其它最新的RGB-T图像显著性检测方法,该模型取得了较好的性能。第三,提出了基于多特征协同图学习的RGB-T图像显著性检测模型。一方面,在以往的方法中,图是固定不变的,只考虑局部的邻居节点,并且无法捕捉到图节点更多的内在联系。另一方面,先前的方法基于传统的手工特征来构造图,显著性计算与其是独立计算的过程。为了解决上述问题,我们首先将输入的可见光图像和热红外图像共同分割成一组超像素,对每个模态的超像素块提取多层次的深度特征,并以此作为图节点。然后,该模型在一个联合优化框架下协同使用各层的深度特征学习图的亲和性和节点显著值。在目前存在的RGB-T数据集上的实验证明提出的协同图学习的方法和最新的RGB-T显著性检测方法相比,取得了更好的结果。