近年来,数字图像和视频已经成为了日常生活中信息传递和表现不可或缺的载体。如何在大量的数字图像数据中快速而准确的找到与任务相关的那部分图像信息,已经成为了计算机视觉领域的一个热点研究问题。显著性检测是基于对人类视觉的研究,用来帮助计算机传感器感知世界的重要研究手段。本文提出了两种不同的显著性检测算法:一,针对大多数视觉显著性检测方法只能够检测出人类感兴趣的显著点或区域,但是无法区分对象不同层次信息的显著性以及不能突出对象整体显著性的问题,本文在第三章提出了一种基于分层信息融合的物体级显著性检测方法。不同于现有大多数方法,该方法在获取对象的显著图时运用了物体级别区域和中级别超像素两种不同层次的结构信息。首先,将图像分割为中级别的超像素,利用自下而上的方法构造初始显著图;然后通过谱聚类方法将中级别的超像素聚类成物体级的区域,并运用自上而下的先验来调整初始先验图;最后,通过热核扩散过程,将超像素级别上的显著性扩散到物体级的区域上,最终获得一致的均匀的物体级显著性图。二,鉴于随机游走过程对人类视觉注意力的良好描述能力,本文在第四章提出了一种基于惰性随机游走的视觉显著性检测方法。相比于传统基于随机过程的显著性检测方法,此方法的主要贡献在于两个方面。首先,普通随机游走过程不能保证最终收敛到稳定状态,本文提出的惰性随机游走检测方法从理论上有效克服了该问题,提高了算法的适用性;其次,本文提出的惰性游走检测算法通过利用视觉转移的往返时间来刻画显著性差异,对于生物视觉的模拟更加贴切合理,相比于普通随机游走过程采用的单向转移时间刻画显著性差异,效果更加鲁棒。本章通过分别对前景及背景像素赋予较大的惰性因子,然后在由图像超像素构成的无向图上进行惰性随机游走过程,获得最终鲁棒的视觉显著性检测图。为验证算法有效性,本文在MSRA-1000公开数据库上进行了仿真实验,并与主流相关算法进行了定性与定量比较,本文方法均取得了优异的结果。