图像作为自然事物的客观反映,是人类认识世界的视觉基础。近几年来,随着数码相机、智能手机等成像设备的广泛普及,以及互联网的迅猛发展,图像凭借其直观的内容、丰富的表现力和传播的便捷性,成为当今人类社会活动中最常用的信息载体。面对爆发式增长的图像数据,如何自动定位图像中吸引人眼注意力的显著对象区域,即显著性检测,已经成为国内外学术界研究的热点问题。但是,一张图像蕴含的内容毕竟有限,在单张图像上的检测性能往往受到限制。因此,研究者们开始利用原始图像的相似图像,借助相似图像提供的额外信息,来提升原始图像的处理效果。另外,在一些实际场景下,人们的处理目标也不再局限于单张图像,而是需要联合多张图像来分析其相互关系,同时处理一组包含近似对象的图像集合,检测出图像集内共同显著的对象,即协同显著性检测。图像的显著性检测和协同显著性检测是计算机视觉领域不可或缺的基础性研究课题,已经被广泛应用于很多图像处理任务,如语义分割、图像/视频压缩、对象识别及定位等,具有重要的理论意义和研究价值。本论文在探索单张图像信息之外,利用多张图像之间的关联信息,提升显著性检测性能,适应检测共同显著对象的多图像场景。本论文的主要创新和贡献包括:（1）提出了一种借助相似图像的显著性融合模型。首先,搜索输入图像的一组相似图像,并利用已有的显著性检测模型生成输入图像和相似图像的多张显著性图;接着,基于输入图像与每张相似图像的相似度,提出一种自适应融合方法,融合多张显著性图,生成输入图像的显著性融合图;然后,构造输入图像与每张相似图像之间的图模型,将相似图像中比较确定的显著性值,通过一种图像间的显著性传播方法,传播到输入图像中,生成输入图像的显著性传播图;最后,将显著性融合图和显著性传播图进一步融合以生成最终的显著性图。两个公开数据集上的实验结果表明,相比于已有的多种显著性检测和融合模型,本论文提出的模型取得了更好的效果。（2）提出了一种基于多层卷积特征融合和图像间传播的协同显著性检测模型。首先,输入图像和它的四张属于同一图像类别的协同图像经过VGG16网络,提取这些图像的多层卷积特征;接下来,融合这五张图像的多层卷积特征,生成既包含输入图像的个体特征,又包含五张图像协同特征的多尺度综合特征图;然后,利用富含边缘信息的低层特征和富含语义信息的高层特征来进一步增强多尺度综合特征图,生成多尺度增强特征图并融合成为初始的协同显著性图;最后,利用图像间的显著性传播方法,优化初始的协同显著性图,生成最终的协同显著性图。实验在两个公开的数据集上进行,相比于已有的多种协同显著性检测模型,本论文提出的模型取得了最优的性能。（3）提出了一种基于协同特征提取和从高到低特征融合的协同显著性检测模型。首先,将个体特征提取模块作用于目标图像和它的协同图像,生成它们的多层个体特征图;接着,设计了一种协同特征提取模块,利用两种特征提取策略作用于目标图像和协同图像的最高层个体特征图,生成图像间的协同特征图;最后,为了平衡个体信息与协同信息,构造了一个从高到低特征融合模块,通过融合协同特征图和目标图像的多层个体特征图,生成目标图像的协同显著性图。本论文提出的模型在两个公开的数据集上都能一致地获得良好的检测性能,证实了该模型的有效性。本论文通过探索包含近似对象的多张图像之间的关联信息,利用非负二次规划、流形排序、卷积神经网络等技术方法,在图像的显著性检测和协同显著性检测这两个领域进行了深入研究,提出了一种显著性融合模型和两种协同显著性检测模型,取得了具有竞争力的检测性能,有效地推动了显著性检测、协同显著性检测等研究领域的发展。