生活中，人类不断地接收新的信息以感知环境，这些信息中约80%来自于视觉，如果计算机能够像人类一样有效的处理视觉信息，则会为计算机视觉领域带来新的变革。显著目标检测方法正是从这样的想法中提炼出来的，它能够快速准确地找到图像中显著目标区域，这样可以简化对图像的处理。如今，显著目标检测方法已经被引入到内容感知、图像编辑、目标分类与识别、图像前背景分割、图像检索等领域。近年来，显著目标检测方法得到了广泛关注。本文的主要工作就是以显著目标检测理论为基础，研究显著度度量算法，概括如下。（1）将多分辨率分析技术和图像熵用于谱剩余算法，计算并选取最佳的显著图。使用多分辨率技术能够在检测过程中兼顾不同大小的目标，使用图像熵作为最佳分辨率下显著图的选取标准，得到的显著图可以最大程度的抑制非显著目标。这种显著目标检测算法具有更强的鲁棒性，将其应用于皮革表面的缺陷检测问题上，取得了良好的效果。（2）基于频率调谐显著性检测算法，计算全局和局部显著图相融合的融合显著图。全局显著图可以很好的表示了显著目标的大小、形状及内部信息，但对图像中背景和大量出现的噪声点抑制能力较弱。局部显著图能够抑制噪声点和局部显著性较低的目标。将全局显著图和局部显著图融合，得到融合显著图。这种基于融合显著图的显著目标检测算法具有更强的鲁棒性。将其应用于复杂纹理的表面缺陷检测问题上，取得了良好效果。（3）以均值漂移滤波算法作为预处理，在其基础上计算并融合颜色对比度和颜色集中度，得到最终显著图。首先对图像进行基于超像素的快速自适应均值漂移滤波，得到图像中各超像素块的空域和值域模式点信息，作为后续计算显著度的基础。然后借鉴谱剩余算法的思想，使用颜色集中度降低背景目标的显著度，并与颜色对比度相结合，作为最终的显著性度量方法。最后，将该算法在国际公开的数据集上进行测试，取得了良好的效果。（4）将上述显著目标检测方法与Grab Cuts相结合，完成显著目标的自适应分割。首先对图像计算得到显著图，然后提取显著目标的最大外界轮廓来计算Grab Cuts算法中的目标框，最后应用Grab Cuts算法自动完成显著目标的分割。通过对公开数据库上的大量图像进行仿真实验，结果表明，本文所涉及的方法都具有较高的准确度。改进的谱剩余算法和频率调谐算法能够快速精准的检测出复杂纹理表面的缺陷目标。基于超像素的快速自适应均值漂移滤波在得到良好检测效果的同时，兼顾了计算速度。另外，基于该算法之上的显著目标检测方法对自然图像中的显著目标检测在速度和效果上都有了较大的提高。