随着计算机视觉技术快速发展，显著对象分割作为其中一项重要的基础研究在许多高层应用中扮演了关键角色。然而图像退化现象对于显著对象分割造成了巨大的困难，直接威胁到依靠显著对象分割的各种高层视觉应用的有效性。在现今针对退化图像的显著对象分割方法少之又少的情况下，研究面向退化图像的显著对象分割具有非常高的研究价值和广阔的应用前景。　　本文首先研究离焦和运动两种模糊退化的机理；基于局部功率谱斜率和奇异值特征设计了两种离焦模糊检测方法，基于局部自相关一致性和卷积神经网络设计了两种运动模糊检测方法；然后面向复杂运动模糊提出一种基于种子生长机制的显著对象分割方法。本文的主要工作和成果如下：　　1.针对离焦模糊的退化机理，利用基于频域信息的两种模糊特征，分别设计了一种模糊度检测方法，通过对两者结果的分析比较说明了各自存在的优点与缺点。　　2.针对运动模糊的退化机理，利用局部自相关一致性设计一种运动模糊方向的检测方法。然后又利用卷积神经网络训练了一个可以检测37种运动模糊核的CNN模型。　　3.利用显著度图生成初始显著对象种子，提出一种叫做“法线扩展”的自动扩展机制进行显著对象分割，然后又利用局部自相关一致性和超像素对分割结果进行了修补，从而提高了对于退化图像的鲁棒性。　　4.对如何利用卷积神经网络运动模糊参数估计和超像素来完成显著对象分割的问题上进行探索。　　定量和定性实验表明，本文所提出的基于种子生长机制的显著对象分割在严重退化图像上的结果明显好于目前比较先进的显著对象分割方法。总之，面向退化图像的显著对象分割有着非常高的研究价值，本文所提出的面向退化图像的基于种子生长机制的显著对象分割算法及相关研究具有广阔的应用前景。