图像的显著性检测是指利用计算机模拟人眼的视觉注意力机制,从图像中提取人类感兴趣的区域。图像显著性检测技术分为传统手工特征的模型和基于深度特征的模型。传统手工特征的模型是基于现有数据集的先验知识,产生的显著图在复杂场景下不能达到满意的效果。随着人工智能的快速发展,传统手工特征的模型逐步转化为基于深度特征的模型。基于深度特征的模型中采用的卷积神经网络（Convolutional Neural Networks,CNN）,主要利用神经网络提取深度特征,这些特征包含丰富的语义信息,得到的显著图更准确。虽然显著性方法已经取得了重大进展,但采用卷积网络会丢失目标的位置信息和细节信息。在低对比度图像中,检测显著目标时可能会引入误导信息,导致目标检测不完整、存在背景噪声和边界预测不清晰等问题。为解决上述问题,本文提出一种多图先验和多级特征连接网络的图像显著性检测算法。该算法通过结合传统模型和深度模型进行显著性检测,其中传统模型对图像进行超像素分割,然后分别构造KNN图（K-Nearest Neighbor Graph,KNN）和K正则图（K Regular Graph）。在KNN图模型上,将优化后的边界超像素作为查询节点,并利用流形排序算法计算显著值;在K正则图模型上,通过结合超像素的影响因子、外观相似度和空间接近程度计算显著值,然后根据两个模型上的显著值构造初始显著图。该算法中深度模型将手工模型结果作为先验信息,与原图一起作为多级特征连接网络的输入,利用上下文信息提取模块（Context Information Extraction Module,CIEM）和注意力模型提取各层深度特征,最后通过连接多级特征得到最终的显著图。在公开的ECSSD、HKU-IS和PASCAL-S数据库上,本文算法与现有的14个算法进行对比,实验结果表明本文算法在复杂场景下,尤其是在低对比度场景下,本文算法检测到的显著目标更完整,显著图内部一致高亮。为进一步验证本文算法的性能,将本文算法和几种图像显著性算法的显著图应用到图像分割领域,并在ECSSD、HKU-IS和PASCAL-S数据库上作对比实验,实验结果表明利用本文算法的显著图进行分割可以更加准确地获得显著目标。