连续十几年来,计算机视觉中层出不穷的技术方法是目前解决图像数据冗余的关键,而显著性检测技术在计算机视觉领域具有非常重要的地位,应用的十分广泛。它起源于人眼视觉注意机制,致力于找出人眼最感兴趣的区域,这样可以减少图像和视频中的冗余,提高后续图像处理的工作效率。因此,显著性检测研究对图像识别,图像分割和视频行为识别等多个任务都有深远的影响。在显著性检测领域中,融合全局信息与局部信息的方法应用地十分广泛,并取得了很好的实验效果。然而,该方法在带有复杂内容的图像上仍存在限制,针对其不足,本文构建了一种更为高效的算法。本文研究工作如下:(1)构建了自适应的相似性度量算法用于计算图像不同区域之间的相似程度。为了更好的计算全局对比度,不同特征的权重与图像的复杂程度相关。将该相似性度量方法应用到背景先验显著图中,可以很好的挖掘图像前景与背景之间的对比度。再将背景先验与中心先验和Objectness融合,得到全局信息。(2)对于根据全局显著图得到前景字典和背景字典的过程,本文提出字典判断机制得到更加可靠的字典。然后,本文提出一种新的局部线性约束编码方法,将字典基元的可信度引入到误差重构过程中,每一个超像素块的显著值由它与其局部字典基元的重构误差来表示,进而得到局部显著图。(3)提出了一种新的融合机制将全局信息与局部信息进行融合。不同于之前工作将全局与局部信息直接相加,本文提出了根据两种显著图的不同表现赋予其不同权重的方法。这种新的融合机制,可以有效抑制简单融合产生的背景噪声。本文在四种常见的显著性检测数据库上与其它13种算法进行对比实验,实验结果充分说明提出算法的有效性。同时,本文还验证了参数对实验结果的影响以及算法各部分的贡献。