在计算机视觉领域显著性检测是很受关注的一个研究方向,通过显著性检测算法可以得到图像的显著图,显著图中标注了原图像中每一个像素的显著值,显著值代表对应像素的显著程度,相关算法能通过显著图快速识别图像的显著区域,因此显著图可以应用在图像压缩,场景分类,图像检索等诸多领域,用以降低相关算法的计算量。传统的显著性检测算法曾通过计算图像的全局对比度或者局部对比度来获取显著图,这类算法往往会与图像的背景先验知识或者前景先验知识进行融合。大多数情况下显著区域位于图像中心,背景区域位于图像边缘。因此一些算法根据像素在图像中的物理位置先将图像中固定区域的像素默认为背景或前景,然后计算全图像素与该区域的对比度获取显著图,这就是传统的中心先验方式与背景先验方式。这种先验方式比传统的对比度方法更有针对性,但当对于显著区域的预判失准时,就会导致算法的效率大幅下降。因此本文提出了一种改良的先验方式,在预处理阶段对于前景区域与背景区域进行了更加精准的划分。首先使用滑动窗口在图像上获取适量子图,再利用NG向量对各个子图的显著程度进行评价。然后将各个子图的分数转化为超像素级的分数,再利用自适应阈值分割获取高精度的前景节点和背景节点。获取高质量的前景节点和背景节点后,使用专门针对两种节点的对比度计算方式获取到了较高质量的显著图,但这两种算法获取的显著图都有瑕疵却彼此互补。因此本文提出算法对这两种显著图进行融合与优化操作,最终获取到了较高质量的显著图。在此基础上本文还尝试用连通度计算的方法替换对比度计算的方式,进一步提升了获取显著图的质量。最后,本文还将提出的算法与众多经典的显著性检测算法在SED2,THUR-10000,ECSSD三个数据集上进行了全面的对比实验,实验证明本文提出的显著性检测算法在常见的评价指标上比经典算法更有优势,从而证明了本文所提出算法的有效性。