图像显著性物体检测旨在提取和分割图像场景中的最引人关注的物体或区域，已广泛应用于计算机视觉相关的多个领域，如场景理解、目标检测与识别、图像分割和图像编辑等，逐渐成为研究的焦点。本文利用图像块的统计特征，建立了基于背景分布的度量空间，提出了一种新颖的自底向上的基于该空间构建的显著性物体检测算法。本文算法的主要创新点如下:　　第一，本文首次提出利用背景分布空间来计算图像块的显著性。利用背景先验和图像边界的连通性，本文将边界图像块分为四组。通过对这些图像块集合进行特征分解，本文建立了四个背景分布空间来对图像背景进行建模。在每个空间中，图像块的显著性被定义为其远离分布主体的程度。通过对欧氏距离、l1范数和马氏距离三种度量方式进行对比讨论，本文选择用马氏距离来计算图像块远离分布主体的程度，从而得到图像块的显著性值。　　第二，本文提出了一种基于超像素测地线距离的图像平滑方法。利用超像素间的测地线距离，本文将一种背景连接描述子和上采样方法相结合，对前一步骤生成的显著图进行平滑。用超像素作为最小视觉子集进行分析，不仅能够提升计算效率，更有助于精确定位物体边缘。同时，超像素间的测地线距离可以反应图像区域内容的同质性。因此，这种平滑方法有助于均匀的突出显著性物体并抑制零散的背景噪声。　　第三，结合基于超像素测地线距离的图像平滑方法，本文引入贝叶斯推理，对平滑后的显著图进行增强。本文首先定义像素的先验概率为上一步中平滑后的显著性值，然后通过对平滑后的显著图进行二值化来粗略定位显著性物体区域和背景区域，并在这些区域中计算每个像素的似然概率，利用贝叶斯公式计算得到的后验概率即为增强后的显著性值。在增强后的显著图中，显著性物体变得更加具有区分性。　　为了验证本文模型的可行性，在四个公开的显著性物体检测数据集上，本文模型与十种经典或最新的模型进行了多个指标的评估对比。从对比结果看，本文模型具有更高的召回率、准确率、F-measure和最小的平均绝对误差，表明本文模型的检测结果更接近人的主观感受。