视觉是人类感知世界的最直接、最重要、最有效的方式,这种方式使人类能够很好的感知世界。我们的日常永远都在与外界环境进行信息的交互,在这些交互中有很大一部分来自于人眼的视觉感知。视觉注意机制、选择性注意机制是人类以及其他的灵长目动物所特有的,这使得人类可以使用诸如颜色、形状、位置等多个并立的低级特征,来实现视觉感知。首先会对图像的显著中心进行定位,然后并行的处理获得的多个低级特征;然后通过大脑的综合作用实现特征的整合,将存在的大量背景噪声和干扰进行剔除和抑制,最后获得显著性区域内的物体图像或者是感兴趣区域。随着通信技术和互联网技术的大力发展,特别是硬件的计算能力的提高,对图像处理以及机器视觉技术有了很大推动发展。相关工程项目对利用显著性检测模型让计算机快速选取图像中感兴趣区域以便更加高效的图像处理提出了更高更快更准确的要求,促使计算机视觉领域中的显著性区域检测成为一大研究热点^[1]。大量的学者通过辛勤工作,提出了很多比较有效的检测理论和模型。本文的工作受到他们很大的启发,对现有经典算法的思想的深刻的理解,并对这些算法进行了包括定性和定量在内的各个方面的深入剖析阐述,发现其存在了一些不足和缺点。提出了一种新的思路,试图对视觉显著性检测算法存在的这些问题采取一些有目的性的改善措施。根据Adaboost算法将错误分类后的样本加强,然后再次训练,并且每一次的训练都会再次添加一个分类器的思想。本文将图像的低级特征当作Adaboost的不同的弱分类器,进行迭代融合;在迭代的过程为了确定每一个弱分类器的系数,引入信息熵量化随机变量不确定性的思路,计算各个弱分类器的信息熵来修正每一个弱分类器的系数。区别于经典的显著性检测模型,我们主要做了以下的工作:（1）标注目标的细节部分得到了加强。大量现有算法由于计算条件相关因素限制大都单独采用全局静态特征或者单独采用局部静态特征,进行显著性检测。这仅能获得粗略的目标标记。因此,本文从静态特征提取出发,通过区别于传统特征融合理论引入的迭代融合的方式,并运用并行的方式来实现显著性区域检测。首先,对图像特征使用了包括全局颜色特征局部形状特征在内的多个特征,一定程度上改善了传统采用单一特征所导致的信息缺失问题。然后,将所获得的图像特征作为弱分类器,利用Adaboost思想将弱分类器并行增强为精度更高的强分类器。通过在公共图像集上的实验结果表明,本文提出的模型,在平均绝对误差和其它的指标均明显好于其它多种经典模型。（2）基于多静态特征并行融合的显著性检测模型在图像的显著性区域检测中获得了较好的效果。在使用Adaboost算法时,为了更有效的实现弱分类器系数选择,通过学习自动分配参数;由于特征划分不够细致导致在显著性目标的完整性检测以及噪声的影响,利用对信息熵和加权平均数的计算,确定不同静态特征的影响权重,将显著性区域的细节处进一步加强。利用中心比边缘更易出现显著性目标的现象,引入中心-边缘层次特征用于噪声抑制。通过在公共图像集上的实验结果表明,本文采用的思路运用到模型中,在平均绝对误差和其它的指标均明显好于其它多种经典模型。