大数据时代,数据的爆炸导致人类需要处理的信息越来越多。在计算机视觉领域,如何准确而又高效地从海量的图像中提取有用的信息越来越来越重要。在这样背景下,图像显著性检测技术的研究应运而生。可靠而快速的显著性检测作为预处理步骤能够很好的服务于图像分割、图像分类、目标识别、图像检索等领域。但是对于图像中多目标、复杂场景等技术难关,目前依然是一项挑战工作。因此,开展对显著性目标检测技术课题的深入研究具有十分重要的意义。本论文主要研究的是基于自底向上的显著性模型。通过对国内外现有的方法研究,提出了两种显著性检测方法。1)基于混合先验知识和元胞自动机的显著性检测方法。现有的算法利用单一的先验知识得到的显著性检测的结果并不能很好的凸显目标。针对单一先验知识的检测方法的不足,本文提出了基于混合先验知识和元胞自动机传播机制的显著性检测方法。该方法首先通过融合多种先验知识来进行显著性检测使得弱显著性图能够更好的突出显著性目标;为了让图像的显著值更加均匀,提出了一种新型的元胞自动机优化结果。实验结果表明,该模型能够取得可靠而准确的结果。2)基于选择边界先验和传播机制的显著性检测方法。针对将四条边界都作为背景线索无法很好地处理目标与边界相接处的情况。本文提出通过计算边界集中每个超像素的差异性来提取可靠的边界背景。为了更好凸显每个像素的显著性,本文提出采用分步使用传播机制来进行显著性计算,从而提高准确率。第一步利用可靠的背景提取背景区域并得到第二步所需的前景信息。第二步则利用目标特征和由第一步获得的前景信息提取显著性区域。实验结果表明图像中的显著性目标得到均匀突出,而且相应的非显著性区域也得到了很好的抑制。论文算法在多个公开数据库上实验论证,实验结果表明,与多种国际领先的主流算法相比,本文方法在所有的评价指标能取得较好的参数,同时实验结果说明该方法能更加准确高效的凸显显著性目标。