在面对复杂自然场景的时候,人类视觉系统由于处理能力有限,它会自动地,有选择地处理自然场景中的重要视觉信息。为了找到模拟人类视觉注意机制的计算模型,长期以来,生理学、心理学以及计算机视觉领域的研究者们付出了巨大的努力,并提出了许多视觉显著性检测方法。但是,显著性检测本身是一个非常复杂的问题,虽然研究者们已经取得了很多成果,但是要达到人类视觉系统的智能处理效果还必须有更加深入的研究。本论文的主要研究内容及贡献如下:第一,针对以往模型中使用线性加权的不足,结合现有的认知心理学、神经生理学领域以及视觉注意点模型的实验结论,提出了基于自适应权值的显著性检测方法。该方法采用统计学原理、生物学原理和多尺度分析相结合的方法来预测人眼注意点,并且通过计算不同图像区域之间的不相似性来生成数据自适应的权值,克服了以往模型使用线性加权的不足。在通用的数据库中和现有的10个比较优秀的显著性模型进行了对比,实验表明该方法能够在人眼注意点预测中取得很好的效果。第二,通过分析基于图的流形排序的显著性检测方法,得出如下结论:虽然该算法能够得到较好的效果,但是他们只考虑了单一尺度情况,这是使得其算法存在固有局限性,主要表现在对背景抑制效果,显著性区域的均匀性上。本文以此为出发点,将该方法扩展至多尺度,提出了基于多尺度和流形排序的显著性检测。为了验证该方法的有效性,本文选取了 11种现有的比较优秀的方法,在通用数据库中进行了比较,为了使得算法的比较更加详细和全面,采用了多组常用的比较方法和指标。实验结果表明,本文提出的显著性目标检测方法能够在图像显著性目标检测中取得很好的效果。