显著性区域检测能够模拟人类视觉系统,快速地检测出图像中的显著性区域,提高图像处理的效率,在目标识别、图像压缩与编码、图像检索、场景分析等计算机视觉领域有着广泛的应用。本文首先分析了显著性区域检测的研究背景与该领域的研究现状,介绍了视觉注意机制的基本概念、视觉注意的两种模型以及视觉注意建模的理论基础。其次从决策树、节点分裂规则以及随机森林的构造这三方面介绍随机森林方法,并列举了随机森林的若干优点。随后重点介绍了基于Bootstrap学习、基于上下文超图建模、基于高维颜色变换这三种基于监督学习的显著性检测方法。然后提出了一种基于结构化学习的显著性区域检测算法,将结构化学习的方法应用到显著性检测中。本文算法首先从含有标记的图像中随机采集固定大小的矩形区域,并记录其结构标签;然后使用含结构标签的区域特征构建结构森林预测模型;最后采用监督学习的方法对图像进行优化预测,得到最终的显著图。实验结果表明,本文的算法可以较好的检测出图像中的显著性区域。最后对全文进行了总结与展望。