图像显著性检测包含两个主要研究领域：视觉注意力和显著目标检测。最初的显著性检测主要致力于视觉注意力,其在神经系统学和认知模型中被广泛应用。近期的显著性检测主要研究显著目标检测,其目的在于准确且完整的识别兴趣目标。显著目标检测被广泛应用于视觉相关问题,如目标分割、自适应压缩、目标识别、内容感知图像编辑、图像检索等。本文提出了一种基于点-集度量学习的显著性检测方法。与以往直接计算图像元素间距离的显著性检测方法不同,本文通过点-集的度量学习,来学习各个图像元素之间的距离,并用此度量将图像元素分为前景类和背景类。这使得显著性检验的准确率和召回率都有了很大的提高。同时,本文还将度量学习和多尺度方法结进行结合,这样既丰富了训练样本,又提高的显著性检测的准确度。首先我们用边界框和建议区域生成了准确率优先图和召回率优先图,即初始显著性图,并在这两幅图的基础上,提取正负样本。第二,对样本进行点-集配对,并进行点-集度量学习,由此将所有超像素分为前景和背景两类。第三,我们对训练样本进行更新,然后迭代进行度量学习和分类。最后,将分类后的超像素进行基于图的传播,生成最终的显著性图。本文在三个公开的显著性检测数据库上对本文的方法与15种国际领先的算法进行了对比评测。实验数据证明,本文提出的基于点-集度量学习的方法要优于其他方法,能够获得更好的显著性检测效果。