目前,显著目标检测已经被广泛地应用于计算机视觉任务中,包括图像检索、图像分割、图像分类和目标识别等。尽管已经有很多的算法被提出,但是显著性检测无论是在理论研究还是实践应用中,仍然很具有挑战性。本文提出了一个全新的基于随机游走的显著性检测算法。首先,构造一个稀疏连接的图模型,稀疏指的是图模型中的任一个节点只和其临近的几个节点存在连接关系,这样可以很好地保留图像中节点的位置信息。基于边界先验,假设图模型中所有的边界节点都是吸收节点,而非边界节点视为非吸收节点。然后计算每一个非吸收节点的吸收时间来表示对应节点的显著性。分析发现,吸收时间完全依赖于对应节点的空间位置信息和对应吸收路径上的权重分布,而这些信息全部都隐含在转移概率矩阵中。考虑到转移概率矩阵的重要性,我们采用了全卷积网络(FCN)中提取的多层深度特征,并对吸收路径进行优化,得到一个优化的转移概率矩阵,从而使得检测结果得到了明显的提升。对检测结果分析发现,显著目标并没有被一致地高亮显示。为了解决这个问题,我们使用了角度嵌入这一全新算法对以上结果进行改进。这一算法能够基于两两节点之间的局部排序情况,优化求解出一个全局的排序结果,而且其为前背景组织分类问题提供了一个很好的数学框架。这是因为角度嵌入算法的优化求解过程恰恰是去除模糊检测区域的过程,从而更好地确定了前背景区域。点对局部排序是由边缘图和随机游走算法求得的显著图共同得到,基于局部排序,得到所有节点的全局排序结果,即显著值。大量的实验结果表明,本文算法在六个公开的图像库中都取得了非常不错的检测结果,甚至要好于先前的很多经典算法。