人类视觉系统不仅能够快速定位场景中感兴趣的区域,同时还能检测并识别场景中的重要目标,即显著性目标。随着科技的发展和互联网的普及,尤其是数据获取手段的提高,网络上图像、视频数据呈爆炸性的增长。因此,如何从海量数据中快速地获取有效信息是信息处理领域研究的主要问题。而如何从大量的图像或视频数据中提取重要信息,包括目标检测与识别,是计算机视觉领域的重点研究目标。为了使计算机快速、智能地实现这些功能,近几年来,显著目标检测方法备受关注。显著目标检测方法将有限的计算资源分配给场景中的重要区域,不仅为后续视觉任务的完成提供了有效信息,提高后续算法的性能,而且还消除了冗余区域的干扰,节省计算时间。因此,显著目标检测算法作为图像预处理算法,已成功应用于多种多样的计算机视觉任务中,如图像检索、视觉追踪、图像放缩等。考虑到图像中包含大量冗余信息,算法无法快速、精准地检测到完整的显著目标。而首先提取图像中的关于显著目标的关键信息（如特征、位置等）,随后根据特征间的关联关系将关键信息传播到其他区域,是行之有效的策略。因此研究有效、鲁棒的关键信息提取方法和特征传播模型是本文要解决的主要问题。本文的主要工作如下:（1）基于模式挖掘的显著目标检测方法。提出了基于模式挖掘的显著性种子点检测方法和特征传播算法。具体地,首先利用模式挖掘算法学习显著性特征模式,该模式是显著性区域共有的特征,而在背景区域中较少观测到此类模式。在此基础上,基于显著性特征模式,检测大量置信的显著性种子点,同时有效移除初始显著性图中不准确的预测结果。最后,提出增强的随机游走算法（Extended Random Walk,ERW）将显著性种子点的标签信息传播到其他区域,从而实现全局区域的显著性值的预测。本文提出的ERW算法由经典的随机游走算法、二次拉普拉斯项和外部分类器项组成。二次拉普拉斯项能够扩展传播范围,即使距离种子点更远的区域也能够受种子点信息影响,实现远距离区域的精准预测。另外,外部分类器项充分利用已知的显著性信息。提出的算法以彩色图像和现有显著性模型的检测结果作为输入,能够大幅度提升现有显著性模型的检测性能。（2）基于实例辅助与隐式空间嵌入的显著目标检测方法。提出了置信的显著性种子点检测算法和利用特征传播算法预测其他区域的显著性值的方法。具体地,利用有标注的实例图像辅助测试图像的显著目标检测。首先,提出基于字典学习的隐式空间嵌入算法,将实例图像和测试图像的特征嵌入到隐式空间中,实现类内样本的匹配和标签迁移。通过将实例图像的显著性标签传递给测试图像,得到测试图像中大量的置信显著性种子点。其次,利用随机游走算法将种子点特征传播到其他区域,得到准确的显著目标检测结果。本文利用极少量有标注的实例图像可提升无监督算法的显著性检测性能。这既克服了监督算法需要大型有标注的训练数据集和训练时间成本高等弊端,又改善了无监督算法依赖于显著性先验而引入先验误差的问题。（3）基于空间上下文感知网络的显著目标检测方法。提出了一种在深度神经网络特征层尺度上的特征传播算法,探索图像中的全局、局部上下文信息。具体地,提出一个空间上下文感知网络,利用基于全局传播算法的长程感知模型,在特征图上探索全局上下文信息,并使粗尺度特征图具有区分能力;利用基于局部传播算法的短程感知模型,一方面整合多尺度特征,另一方面通过探索局部上下文信息,步进式地为显著性目标预测结果补充局部细节信息。所提出的基于传播理论的多尺度特征融合算法,具有增强特征表示能力、促进全局、局部信息彼此交互、提高显著目标检测性能的特点,同时避免了传统经验式的多尺度特征整合策略引入的嘈杂信息。实验表明,本算法在五个大型数据库上均达到先进水平,并一致地优越于现有的先进算法。