显著性检测技术在日常生活、工农业生产、现代物流、智慧城市、及军事国防等方面有着广泛应用,在图像分析、计算机视觉和目标识别等领域中起着重要作用。传统显著性检测方法存在一些缺陷,而且处理图像是在像素级上进行,导致检测过程繁琐,数据量大,在复杂背景中很难将显著对象提取出来。超像素显著性检测可以减少处理数据量,简化计算,提高检测效率。为此,我们在基于超像素化的基础上,从静态图像显著性检测和动态视频显著性检测两个方面分别进行了研究,本文主要工作内容如下:静态图像显著性检测方法研究:针对复杂背景下显著性检测方法不能有效地抑制背景、进而准确地检测图像目标这一问题,提出了超像素内容感知先验的多尺度贝叶斯显著性检测方法。首先,将目标图像分割为多尺度的超像素图,在每个尺度上引入内容感知的对比度先验、中心位置先验、边界连通背景先验来计算单一尺度上的目标显著值;然后,将单一尺度上的粗略显著图值作为先验概率,根据颜色直方图和凸包中心先验计算观测似然概率,再使用多尺度贝叶斯模型来获取最终显著目标;最后,使用了3个公开的数据集、5种评估指标、7种现有的方法进行对比实验,结果表明本文方法在静态图像显著性目标检测方面具有更好的性能。动态视频显著性检测方法研究:针对现有方法大多使用静态空间特征、导致视频显著性检测不能得到准确的显著性目标对象,提出了超像素梯度流场与元胞自动机融合的视频显著性检测方法。首先,使用SLIC方法将视频帧分割成超像素,在超像素级上运用光流梯度和颜色梯度生成一个时空梯度函数,由时空梯度得到新的梯度流值,它可以将视频中的运动信息充分利用起来;其次,在超像素上使用卷积神经网络得到其深度特征,将超像素的深度特征应用到元胞自动机中,使其根据自定义规则自动更新出粗略显著图,然后将梯度流场显著图与元胞自动机粗略显著图融合得到最终的显著图;最后,通过在Vi Sal数据集上、采用5种评估指标、与现有的4种方法进行对比实验,结果表明本文方法在动态视频图像显著性检测中有好的表现。