近年来,显著性检测已经在国内外相关领域研究中得到了广泛关注,并取得了许多成果,但是已有的研究往往注重单幅图像与单视频的处理。伴随互联网等技术的飞速发展,从多幅图像或多视频中,寻找相同或相似的显著性目标的协同显著性检测技术已逐渐成为一种新的应用需求。目前,在多幅图像协同显著性检测相关的协同分割、协同定位、目标检测等应用领域已有了较广泛深入的研究,并引起了广泛关注。相比单幅图像显著性检测而言,多幅图像协同显著性检测亟需解决的关键问题是如何快速有效地检测出多幅图像中的协同显著性目标。为了建立一种快速有效的多幅图像协同显著性检测方法,本文提出了基于图像分块与截断幂的特征提取的预处理方法以及基于K-Means与自适应协同显著图生成的协同显著性检测方法。首先,采用一种基于图像分块与截断幂的特征提取方法对输入图像进行特征提取,实现在最大程度保留原图像特征的同时有效减少特征点的数量与特征的个数。然后,使用K-Means聚类算法对提取的稀疏特征进行聚类,同时计算出三种基于聚类的显著性特征值并生成相应的特征显著图。并且进一步提出基于图像内容的自适应权值协同显著图生成方法以提高协同显著性检测的效果。通过在两个标准数据集上进行仿真实验并与已有典型多幅图像协同显著性检测方法相比较可知,本文方法在提高检测精度的同时,可大幅提升多幅图像协同显著性检测的处理效率。最后,将上述方法应用到具有噪声图像的多幅图像协同定位中,通过多幅图像协同显著性检测来过滤噪声图像以降低具有噪声图像的协同定位方法的复杂性,并在Visual Studio平台下结合Open CV库实现了基于协同显著性检测的具有噪声图像的协同定位系统。