图像显著性检测是计算机视觉领域中一个非常重要又极具挑战性的研究课题。图像的显著性描述了在一幅图像中各部分的重要程度,检测结果以一幅灰度图的形式来进行展示,灰度值越高的位置显著值越高。图像显著性检测可以有效地标识图像中各部分的重要程度,从而将不重要的部分忽略掉,将计算资源用在最需要的地方。作为计算机视觉中的重要预处理步骤,图像显著性检测正吸引着越来越多工业及学术界的研究兴趣。本文提出了一种基于凸包聚类和DS证据理论的显著性检测算法,不同于以往的显著性检测算法直接将图像边界作为背景或是将中心作为前景区域,本文所提出的算法充分利用了图像的局部对比性与边界连通性的特征。首先,利用色彩增强Harris角点检测构造包围前景区域的凸包。其次,在凸包内进行聚类操作,去除凸包内的背景部分,得到精准的前景区域。再次,将凸包内精准前景区域作为随机游走模型的前景吸收节点,构造两跳图模型,在整幅图内进行随机游走得到各超像素的初始显著值。最后,本文利用聚类内显著值传播、融合各超像素的边界连通性特征、逐像素抑制背景超像素显著值三种优化措施来得到优化后的显著图,实践证明了三种优化措施是有效的。此外,本文还提出了一种基于DS证据理论在像素级来融合几种不同显著性检测算法结果的融合算法,取得了很好的效果。在三个公开数据集上对本文提出算法的各步骤效果进行了对比,证明了本文所提出算法每个步骤的有效性及必要性。同时,在三个数据集中与其他11种经典算法进行了大量对比实验,在多个评估指标上都证明了本文提出的显著性检测算法可以取得更好的检测效果。