近年来,视觉显著性检测在图像分割、图像检索、目标跟踪、图像压缩、行人检测等方面的广泛应用,使得它逐渐成为计算机视觉领域的一个研究热点。其中,作为图像的预处理部分,显著性物体检测能有效地提取出图像中有用的突出区域,并抑制住无用的背景信息,很好地降低了场景分析的复杂度,并提高了计算机的使用效率。然而目前的显著性物体检测方法对于背景复杂、有多个目标、背景与前景相似的图像的检测效果仍然有限。针对此问题,本文以扩散模型为基础,提出了不同的显著性检测改进算法。本文的主要研究内容包括以下几个方面:(1)基于多特征流形排序的显著性物体检测:利用拉普拉斯矩阵和谱聚类原理,重构相似矩阵,并根据高层先验方法得到种子节点,由此构成一种流形排序法,然后非线性融合由图像的不同特征通过流形排序法生成的对应显著图,得到最终显著图。该算法利用图像的多层特征,能更完整地检测出图像的显著性区域。(2)基于吸收马尔科夫链的显著性物体检测:先根据背景节点计算每个节点的吸收时间,得到图像的初步显著图,再通过前景节点计算每个节点的吸收概率,得到图像的最终显著图。该算法不仅能很好地突出图像的显著性区域,而且能抑制住背景区域。(3)基于标签传播和背景先验的显著性物体检测:根据基于背景节点的标签传播方法和背景先验方法得到初步显著图,并将初步显著性值作为图像的中层特征再次通过改进的标签传播算法得到最终显著图。该算法能较均匀地突出图像的显著性区域,有效地提高了显著性检测的准确率。