显著性目标检测和协同显著性目标检测在计算机视觉领域是非常重要的。传统启发式的显著性目标检测方法通常无法在复杂图像上检测出正确的显著性目标,而且缺少对已有的带标签图片数据集的合理利用。深度神经网络等生成式显著性目标检测模型则需要大量带标签的数据,并且需要昂贵的设备和大量的训练时间。针对这些问题,本文采用一种基于样例的方法进行图像显著性和协同显著性目标检测。本方法首先设定一个检索池来存储图像数据,然后根据前景特征的相似度从检索池中挑选出特定数量的同给定图像前景相似的带标签图片。通过超像素分割的方法,在这些被检索出的图片的前景部分提取出正确的正样例,在给定图像的近似背景部分提取出相对准确的负样例。然后使用预训练好的深度网络来提取正负样例的特征,获取用来训练的样本,使用这些样本训练轻量级的分类器,并采用平滑高亮方法处理二值化的中间值,最终得到准确、完整的显著性目标检测结果。区别于单张图片的显著性目标检测,基于多图的协同显著性目标检测需要在两张或多张图像中准确地检测出相同或相似的显著性目标物体。检测出的物体不仅需要是显著的,而且需要在多张图片或过半图片中出现过。本文同样使用基于样例的方法,将除给定图片以外的其它每张图片作为训练图片,在近似前景部分提取出正样例,使用单类分类器对这些正样例进行分类,即可得到精准的协同前景目标定位。本文使用基于样例的显著性目标检测的方法解决了:1)简单模型忽略数据价值的问题;2)深度模型依赖大量数据和训练困难的问题,同时将基于样例的思想有效迁移到了协同显著性目标检测问题上,并验证了算法的有效性。