视觉显著性检测,受启发于人类视觉注意机制,能够模拟人眼快速检测出图像场景中最具吸引力的区域。它作为一种图像预处理技术,能够帮助人们快速定位感兴趣的图像区域,并优先分配资源对其进行处理,在机器视觉领域有着广泛的应用。本文主要对RGBD图像上的显著性检测进行了重点研究,主要工作如下:针对基于边界先验的显著性检测方法获取的背景种子不准确以及难以高效测量图像边界连通性的问题,提出一种基于最小生成树的显著性检测算法。首先,在输入图像上构造最小生成树;然后,去除特异性最强的一条图像边界,将剩下的三条边界作为背景种子;接下来,在最小生成树上搜索每个像素到背景种子的最短路径生成距离图,并将得到的显著值最高的一部分像素作为目标种子对距离图更新一次;最后,计算一个辅助图对距离图进行矫正得到RGB图像上的颜色显著图。针对LBE(Local Background Enclosure)算法难以完整检测出结构复杂的目标和过度依赖深度信息的问题,提出一种基于改进LBE特征的显著性检测算法。首先,对输入的深度图像进行多级分割;然后,在各级分割图上计算LBE特征并融合得到深度显著图。分析颜色显著图和深度显著图的各自特点,提出一种能够结合两种显著图各自优势的自适应融合算法,将两种显著图融合得到RGBD图像上的最终显著图。在公开的数据集上对上述算法进行仿真实验,并和经典的视觉显著性检测算法进行对比,实验结果表明本文算法相较于对比算法在准确率,召回率和F-measure上均有明显优势,视觉效果上更接近人工标注图。