对于纷繁复杂的各类场景图像,人类视觉系统总能自然地提取场景中信息量最大的目标或相关区域。图像显著性检测作为图像处理的一个重要分支,通过模拟人眼视觉系统机理,分析并挖掘图像信息,提取最显著的区域。该技术不仅是目标识别、图像检索等众多高层次应用的基础,而且被广泛应用于通信、军事等诸多领域。由于图模型在图像特征的表示方面具备简洁高效性,基于图模型的算法在近些年来愈发流行。现有算法中图模型在前景与背景的差异性表示方面往往存在局限性,进而导致了显著目标区域灰度值较低、显著目标边缘不准确的检测效果。针对以上不足之处,提出了一种新颖的基于图模型策略的图像显著性检测算法。本文主要工作在以下四个方面:（1）根据目标紧密性与区域同质性两个原则对图像进行显著性区域提取。区别于传统的正则图结构,本文算法利用两层稀疏图结构提取节点的紧密性程度,去除了众多节点间的冗余边缘连接,并且通过节点传播扩散凸显目标区域节点的信息,构造潜在前景和潜在背景具备异质差异的新颖区域同质性图结构,将不确定节点按照位置特征和颜色特征邻近归属。此外,借助目标紧密性呈现的显著性信息,给予种子列向量不同的显著性置信度,以提高检测的精确度。（2）基于复杂网络中心性的单层元胞自动机改进。算法对扩散矩阵进行基于图模型的理论推导,将对应的特征向量进行可视化编码,筛选并保留具有较强影响力的特征值和特征向量,从而整合成新型扩散矩阵以替代原来的影响因子矩阵,重置元胞自动机显著性扩散的初始值。此外,引入复杂网络中心性,赋予一致性矩阵较强的显著性辨别力,进而使改进的单层元胞自动机扩散获得优于多层扩散的显著性检测效果。（3）基于图模型策略的一致性融合。基于目标紧密性与区域同质性的显著性提取阶段,从图结构的节点层面表示图像前景与背景的差异;基于复杂网络中心性的单层元胞自动机改进阶段,从影响力较强的特征值与特征向量的扩散上区分前景与背景。因而,整合多个基于图模型对于显著性检测的优势,引入11种颜色名称空间,按照显著性检测区域的一致性原则,将以上两个阶段的显著图进行融合。（4）算法的多阶段实验与结果分析。按照算法流程依次验证多个图模型的有效性,并且与13种算法在公开数据集上对比,定性、定量评价显著性检测结果,证明所提算法的优越性。