人类视觉系统从外部世界接收到海量的视觉输入信息，选择性注意机制使人类具有从中抽取出重要信息并实时诠释复杂场景的能力。在过去几十年里，心理学家和生理学家们一直试图研究和揭示选择性注意的内部机理，并提出了视觉显著性这一概念，已被广泛地应用于诸如目标识别、视频摘要、图像压缩、图像编辑、视觉跟踪等众多计算机视觉任务中。作为视觉显著性计算的研究分支，显著物体检测旨在从场景中检测出显著的物体并得到这些物体的精确分割，一个好的显著物体检测方法应同时满足高检测性能和低计算复杂度的要求。深入研究显著物体检测技术，可以逐步跨越底层特征与图像内容之间的鸿沟，使高层的场景理解成为可能。本文围绕显著物体检测技术与应用展开了相关研究，提出了两种显著物体检测方法和一种协同显著物体检测方法，并将显著性技术应用于单帧彩色图像小目标检测任务中。本文主要工作和创新点包括:
　　(1)提出了一种基于区域主色的显著物体检测方法。该方法首先对原始图像在RGB空间进行最小方差量化，在LAB空间度量颜色差异，计算量化颜色的全局显著性;然后对最小方差量化图像进行超像素分割，将区域内频数最高的颜色作为区域主色计算局部显著性;最后计算区域间距离以及区域与图像中心间距离，并基于这两种空间关系对局部显著性加权。实验结果表明，该方法可在更少的颜色数下获得更好的检测性能，并降低了算法复杂度。
　　(2)提出了一种基于颜色名空间的显著物体检测方法。该方法首先将原始图像从RGB空间转换到颜色名空间，在对颜色名通道序列化阈值分割的基础上，采用环绕性线索对图形一背景分离计算显著图;然后将原始图像转换为颜色名图像，计算全局颜色名统计特征和对比特征，并与环绕性线索结合计算加权显著图;最后，对显著图与加权显著图采用高亮截断的线性融合和后处理，得到显著物体区域。实验结果表明，该方法可弥补仅基于环绕性线索检测显著物体的不足，并在突出显著物体区域的同时抑制非显著的背景区域。
　　(3)提出了一种基于分层结构与颜色名的协同显著物体检测方法。该方法首先对原始图像构造三个图像层，并融合颜色名和背景线索计算单层显著图;然后基于显著一致性和颜色名稀缺性对单层显著图融合并改进，计算单图显著图;最后对单图显著图采用自适应的阈值分割得到显著区域，并基于颜色名相似性去除非协同显著区域获得协同显著图。除可用于检测协同显著物体外，该方法也是一种针对单张图像的显著物体检测方法，实验结果表明提出的融合机制和颜色名线索的有效性。
　　(4)针对显著性的具体应用，提出了一种融合区域稳定性与显著性的单帧彩色图像小目标检测方法，标注发布了一个用于单帧彩色图像小目标检测的基准数据库，并提供了相应的性能评估代码。该方法首先构造五种区域描述子和四个稳定性度量准则，并基于区域稳定性度量，在提取候选小目标的同时得到目标区域精确的特征描述;然后采用局部颜色差异计算像素级显著性，在突出小目标的同时抑制背景区域;最后，融合算法基于候选小目标的平均显著值剔除虚警目标，得到小目标检测结果。实验结果表明，该方法可有效弥补仅基于稳定性或显著性检测小目标的不足，以及融合算法的性能优势。