显著目标检测可以应用于许多计算机视觉任务中,包括内容感知的图像编辑,目标分类和识别,图像前背景分割,图像检索等。因此,显著目标检测近年来受到了很多的关注。显著目标检测的主要任务是准确提取出图像中显著目标区域,并输出一副显著图来表示每个像素属于显著目标的可能性。由于缺少高层的理解知识,自底向上的显著目标检测是一个严重的病态问题。利用合理的先验知识有助于病态问题的解决。基于此,本文提出了一种新颖的先验融合(Prior Integration, PI)显著目标检测算法。以往显著目标检测模型一般都是基于对比度先验,但仅仅利用这一种先验仍存在很多的问题,如不能均匀的突出目标等。目前,很多工作将中心先验引入到显著目标检测模型中。但是,中心先验对目标位置十分敏感,目标一旦偏离中心,中心先验将不再成立。基于此,本文通过目标粗定位算法来估计显著目标的中心,并假设目标一般位于检测的中心附近,来提升中心先验的鲁棒性和有效性。而后将对比度先验和新的中心先验结合来得到初始的显著图。为了进一步改善初始显著图的效果,我们将图像分割领域内的光滑先验应用于显著目标检测。我们通过优化一个图模型上的连续二次能量方程来促使相邻近似节点具有相似的显著性值,即光滑先验,以使得最终显著图更加均匀的突出目标。本文将显著目标检测看成是流形结构上的排序问题,提出了一种全新的流形排序(Manifold ranking, MR)显著目标检测算法。首先,利用闭环k正则图模型来模拟图像数据的流形结构。然后,构建了一个两级排序方案来高效的提取显著区域和背景区域。以往的显著目标检测算法主要是利用显著目标的特性,如对比度先验,来直接检测出目标区域。少数算法则是主要考虑背景特征,来提取出背景区域,进而得到显著区域。与以往算法不同的是,本文提出的两级排序算法同时考虑目标和背景。第一级利用背景特性,提取出背景区域,进而得到第二级需要的显著目标信息。第二级则利用目标特性和第一级提供的目标信息,直接提取出显著区域。通过在MSRA-1000和MSRA两个公开数据库的大量实验结果表明,本文提出的两个算法较以往算法在性能上有了很大的提升。