作为计算机视觉的预处理步骤,显著检测在许多图像处理任务中起着非常重要的作用。本文从超像素分类和底层特征融合的角度提出了两种显著性检测方法。第一种方法是基于Adaboost集成学习的模型。该方法包含两类显著图,一种为基于超像素对比度计算的显著图,另一种为基于超像素分类的显著图。主要步骤如下:首先,我们基于四周背景先验知识和图像本身结构来提取背景视觉信息,基于背景视觉信息对图像超像素进行对比度计算,从而得到基于对比度的显著图。其次,在同一幅对比度显著图上提取正负训练样本,将KNN作为Adaboost算法的基本分类器对其进行迭代训练,组合得到一个分类能力较强的分类器并应用于测试样本中,得到一个基于分类的显著图。最后,我们将两种显著图相结合作为该方法的最终显著图。本文的另一种方法是基于Sugeno模糊积分的显著性检测方法。该方法主要解决图像多个特征的融合问题。主要步骤如下:首先,采用图像边界概率提取前景种子,并使用基于密度聚类(DBSCAN)的方法对前景种子进行分簇以及消除噪音点。在分簇基础上利用凸包来划分图像的前景与背景区域。其次,在图像的三个颜色特征上分别统计颜色直方图,采用贝叶斯概率模型计算每个超像素属于前景区域的概率并作为Sugeno模糊积分中的置信度。最后,基于单个颜色特征划分前景和背景的能力计算模糊测度,再采用Sugeno模糊积分公式对三个颜色特征进行融合得到显著图。本文在三个公开的标准数据库上,分别从定性评测与定量评测两方面对本文提出的两种方法与其他种现有方法进行了对比。依据三个定量评测标准,本文通过实验证明了所提出的方法对图像超像素分类以及多个特征融合的合理性和有效性,并且对比其他几种检测方法,具有更准确的显著性检测结果。