互联网的发展使得图像数据迅猛增加,大量的图像数据不仅需要占用更多的存储设备,也对有限的计算资源构成了巨大的挑战,这就需要计算机视觉算法能够高效地处理和存储图像数据。而人类视觉系统在面对大量的外界信息时,通过选择性注意机制筛选视觉信息来减少大脑的运算量,从而更好地感知周围环境。受人类视觉系统特性的启发,科研人员将视觉显著性引入到计算机视觉领域提出了显著性检测模型。随着拍摄设备的发展,显著性检测不再局限于2D图像,结合深度信息和光场数据的显著性检测模型也日益增加。本文在总结和分析现有工作的基础上,从显著性检测的优化和应用两个方面进行研究。计算机视觉算法可以依据显著性检测的结果分配计算资源达到高效处理数据的目的,但是显著图的质量影响后续算法的性能,针对一些现有模型输出的显著图不能均匀突出显著物体的问题,本文提出了一种通用的模型去改善现有模型输出的显著图。主要贡献是在优化阶段提出了一种综合局部和全局信息的迭代算法,通过迭代更新的策略逐渐改善先验显著图来提高前景区域显著值的一致性,并结合预处理阶段的自适应去噪构成完整的优化模型。实验表明本文提出的模型能够有效优化基于不同数据类型的显著性检测模型,具有较好的适应性,并且比同类工作具有更好的优化效果。同样图像压缩算法可以结合显著性检测的结果优化比特分配来提高压缩效率,从而节省存储空间。针对在低码率的情况下传统编解算法的重建图像存在块效应等失真的问题,本文提出了一种有损图像压缩模型,利用神经网络构建编解码和量化模块,并结合显著性检测模块输出的显著图来调整图像不同区域的比特分配。主要贡献是基于递归神经网络构建了多分支融合的编码网络并采用相同结构的网络进行堆叠的方式实现残差编码,同时通过传递递归神经网络的隐状态来利用不同迭代之间的相关信息,能够有效提升压缩性能。在编码过程中,根据显著性检测结果减少非显著区域的比特,使得在保持重建图像显著区域的视觉质量的同时进一步提高了压缩效率。实验表明本文提出的图像压缩模型在低码率情况下的重建图像的质量较好。