随着多媒体技术及数字摄像设备的普及，全世界的数字图像数量迅速增长。因此需要在海量的图像中高效智能的提取出人们需要的信息，并希望在图像处理的过程中保持图像不至扭曲变形。由于人们的视觉注意机制的作用，人们只对图像内容中很小的一部分感兴趣，因此，有必要检测出这部分区域，以便于后续图像处理的高效进行。　　论文通过对人类视觉注意力的分析，讨论了人类视觉机制与图像信息的联系，以及将视觉注意机制引入到图像处理中的可能性和必然性。通过介绍现有的基于人类视觉机制的几种典型的显著区域检测模型发现，ITTI模型是一种效果较好的图像显著性提取的方法，论文对该模型进行了详细的研究。经过大量的实验图像表明，单纯的基于ITTI模型的图像显著性区域检测，算法复杂，提取的显著图不清晰，显著物体内部信息缺失。　　本文在ITTI模型的基础上，结合图像的频率特征以及应用指数函数提取方向特征提出了一种改进的图像显著性检测方法。该方法首先利用高斯金字塔模型对原始图像的灰度图像进行分层，应用中心-周边方法提取亮度特征。然后将原始图像变化到LAB颜色空间中，提取图像的频域信息，将高频信息视为图像的颜色特征。再对原始图像的灰度图像进行指数滤波，得到图像的方向特征。最后将提取出的三种特征的特征图合并为最终的显著图。然后介绍了将图像显著性区域应用到图像目标重定位中。　　论文进行了大量的实验，从Corel图像库中选取各种类型的图像，分别对ITTI模型和改进后的显著性区域检测算法进行实验。实验结果显示，改进后的显著性区域提取算法，不仅有效降低了算法复杂度，增强了提取出的显著物体的清晰度，ROC曲线显示，改进算法显著物体的提取结果更接近人的视觉注意特性。另外本文将改进算法应用到图像目标重定位中，实验结果表明，应用本文算法提取的显著图的目标重定位比Seam Carving算法得到的结果图效果更好，扭曲程度更小。从而证明了改进后的显著性区域检测算法的有效性和实用性。