互联网技术的飞速发展,带来了信息和数据的爆炸式增长。而视觉作为人类与外界交互最有效的一种方式,它使我们无需直接接触就能获得外部对象的颜色、位置、状态等属性,并对环境的变化做出反应。随着智能算法与计算机性能的不断提升,如何将视觉赋予计算机,使计算机能够像人类一样观察和感知世界,成为了无数学者追求的目标。然而,在实际应用中,由于建模方法和计算方法的局限性,算法模型检测出的图像显著区域与实际的人眼注视区域之间存在一定的差距,检测精度和算法的适用度都有待进一步提高。为此,本文运用智能优化算法提供了一种图像显著性检测的方法,并开展了以下工作:1.分析了国内外图像显著性检测的发展状况,在此背景下,以图像的显著性检测为研究对象,引入一种萤火虫算法优化的卷积神经网络模型。介绍了萤火虫算法、卷积神经网络的相关概念与原理,研究了图像显著性检测的常用方法。2.对萤火虫算法的原理与数学模型进行研究,利用混沌序列对萤火虫算法中存在的种群初始化不均匀问题进行优化,分析算法的收敛性,设定算法的终止条件,并对改进后算法的流程进行梳理。3.将改进后的萤火虫算法用于神经网络各层之间连接权值与阈值的迭代更新,将代表权值与阈值的萤火虫个体采用实数矢量形式进行编码,通过误差值来衡量网络的训练精度,并对网络结构中的采样层和全连接层的各参数进行分析,研究了常用的采样及全连接技术。4.依据改进算法建立图像显著性检测模型,并在经典的图像识别数据集上进行实验。与纯计算原理的AC算法、以空间频域分析为基础的SR算法、基于图像频域分析的FT算法、滤波器加速的SF算法进行对照实验,由实践来验证本文优化模型的实际运行效率。通过实验和仿真,可以验证,利用萤火虫优化算法对神经网络各层之间的阈值和权值进行更新,据此建立的图像显著性检测模型,满足了识别精度的要求,与常用的算法相比,在适用性与准确率上,都有一定的优势。