图像显著度检测是计算机视觉研究领域中一个很具有挑战性但又很重要的研究方向。图像显著度研究图像中能够吸引人类大脑和视觉系统注意力的部分,得到一个是否属于显著目标的概率图。该类方法可以应用于计算机视觉的多个领域,如图像分类与检索,图像分割,视频跟踪等。本文提出了两种基于贝叶斯模型的自底向上的显著度检测算法。第一种方法是基于图像背景与全局信息的显著度检测(Background Global Framework),简称为BGF。该方法通过图像边缘对图像背景分布进行建模,得到背景基准集后通过颜色和空间距离得到部分先验图,并与全局信息结合得到先验概率图。然后对由Harris角点检测得到的凸包计算前景和背景的观测似然概率。第二种方法是基于图像边界和软分割的显著度检测(Boundary Soft-segmentation Framework),简称为BSF。该方法利用图像的边界信息得到图像的动态权重图,然后使用自适应加权的颜色和空间距离得到粗定位先验图,并根据粗定位,使用软分割算法得到大概的显著目标位置,即改进的凸包,计算观测似然概率。最后,将本文的两种方法对应的先验图和观测似然概率通过贝叶斯模型结合得到最终的检测结果。本文在由微软亚洲研究院提供的国际公开的数据库MSRA上验证算法的有效性,该数据库使用人工标记的真值。本文设计了很多实验,包括验证提出的两种先验图的有效性,背景假设的合理性,软分割的有效性,与现有方法的比较等,不仅如此,本文还将算法应用于图像分割中。上述实验得到了较好的效果,表明了本文提出的两种算法能够有效的提高显著度检测的结果,平滑的高亮前景以及有效地抑制背景噪声,并能作为预处理方法应用于其他图像处理研究领域中。