图像显著性区域检测是模仿人类视觉注意机制,将视觉场景中的显著对象提取出来,从而使计算机具备类似人的视觉主动性和选择性的一种图像处理技术,在图像分割、图像检索、图像/视频压缩等领域有着广泛的应用。传统的显著性区域检测方法通过构造启发式函数整合特征,这类方法对人工经验的依赖较高。机器学习方法可以自动地从数据中得到模型的最优解,而且由于学习需要充足的数据量,这为整合丰富的特征提供了便利。本文介绍了图像显著性区域检测中的基本概念,对现有的显著性区域检测方法做了综述,并阐述了有监督学习方法的基本原理,针对提高检测方法的特征整合能力和检测的自动化水平,提出了2种基于特征分布学习的图像显著性区域检测方法。这两种方法均采用监督学习模型组合半监督学习模型的方式:(1)监督学习模型,用于预测图像初步的显著图,两种方法均采用梯度提升树模型,它能处理高维数的特征向量,并依据特征的分类能力对特征做出选择。(2)半监督学习模型,对初步的显著图进行优化,本文第一种方法采用标记传播算法叠加高斯混合模型,先通过标记传播处理显著性置信度较低的区域,再建立高斯混合模型以概率的方式对显著性区域进行区分;本文第二种方法对标记传播算法做了改进,在邻接相似度矩阵的基础上增加邻域相似度矩阵,并舍弃高斯混合模型,以改善第一种方法结果过于细致的缺点。本文将提出的2种方法与另外6种显著性区域检测方法进行了比较,实验结果表明,本文方法的检测效果均优于其它6种方法,并且第二种方法优于第一种方法。文章最后对本文的工作进行了总结和展望。