图像显著性检测是计算机视觉领域中十分重要的分支,其目的是捕捉图像中最引人注目的区域。显著性检测作为一种预处理方式,广泛应用在图像分类、图像分割、目标识别、图像压缩、图像检索、图像恢复等领域。目前显著性检测已经取得很大的研究进展,但是仍然存在着许多不足,比如图像背景比较复杂、图像存在多目标以及显著目标边缘较亮但是内部不够高亮,不能很好的保留目标边界,检测效果不理想等。在显著性检测相关理论与技术研究的基础上,对该领域的研究现状进行分析与总结,并给出两种显著性检测方法。第一种方法,以视觉特征的角度给出一种基于多特征融合的显著性检测方法。该方法定义三种显著性特征,包括连续边缘密度特征、凸包特征、亮度对比特征;在随机生成的滑动窗口下提取图像的多特征,基于朴素贝叶斯模型进行多特征融合,建立显著性检测模型。第二种方法,基于矩阵低秩稀疏分解理论给出一种子图稀疏约束的显著性检测方法。该方法利用基于超像素的谱聚类算法获取图像子图,通过对子图进行稀疏约束以突出图像空间特征;在模型中融入高层先验知识以提高检测效果;采用交替方向乘子法对特征矩阵进行低秩稀疏分解。本文给出的两种显著性检测方法,实验表明均具有较好的鲁棒性。基于多特征融合检测方法,采用矩形窗口对目标进行定位。基于矩阵低秩分解的方法,通过对子图的稀疏约束,目标能更完整的从背景中分离,对有着复杂背景的图像该方法也可以得到令人满意的结果。