随着互联网技术和信息技术的快速发展,数字媒体信息以几何级数的增长速度飞速膨胀。通过人力来处理这些信息已经不现实,人们更加希望利用计算机来处理和分析图像和视频数据,并从中快捷的获取有用的信息,这对计算机视觉技术提出了更高的挑战。近年来,为了对媒体数据进行智能化处理,人类的视觉注意力机制引起国内外研究者的广泛关注。视觉注意机制是指人类在面对复杂的场景时,依然能够快速准确的找到最重要的显著区域。通过视觉注意力机制,视觉系统可以选择性的处理场景信息中最重要的部分。在计算机视觉领域中,研究者们模仿人眼的视觉注意力机制提出了图像显著区域检测技术。图像显著性检测的目标是通过显著值的计算得到一种能够符合人眼视觉注意的显著图。因此,结合生物学上的视觉注意机制和计算机视觉技术,对图像进行显著区域检测,是目前计算机视觉研究领域关注的重要方向,对提高图像处理的效率有着重大的意义。本文通过对现有显著区域检测算法的学习与研究,指出了已有方法的不足并提出了改进方法,本文主要内容如下：第一,RC (Region Based Contrast)方法是比较出色的显著区域检测算法之一,但RC方法中所用的Graph-based方法,分割的像素块形状不规则,不紧凑,不能很好的贴合物体边缘；其次,由于RC方法计算得到的区域显著值被直接赋给区域内的像素会引入预分割带来的误差。因此,使用更好的预分割方法和改进区域显著值的分配将进一步提高显著图的效果。针对以上RC方法的不足,本文提出一种基于SLIC(Simple Linear Iterative Clusting)超像素分割的显著区域检测方法。本文方法提取的显著图较RC方法有着更光滑和清晰的边界,在均匀突出目标区域的同时有效地降低了复杂图像中的背景影响。在准确率-召回率曲线中,召回率最小的情况下,本文方法的准确率高出RC方法。第二,针对传统方法难以检测近景显著对象的问题,提出了联合中心约束-空间分布的显著区域检测方法,有效的克服了传统方法中存在的面积依赖问题,生成的显著图不但具有全分辨率、边界清晰的特点,同时还能够有效的抑制复杂背景的影响,提升显著区域检测方法的性能。