20世纪90年代开始,生物视觉感知领域的研究逐渐转向基于生物感知的图像显著性分析。这种机制结合心理学和神经生物学的研究成果,模拟人眼机能建立图像显著性提取模型,自动选择人类视觉系统中值得注意的感觉信息。图像显著性的研究是一个综合特征提取和探索人类视觉特性的过程,现已广泛应用到图像分析和处理中。本文针对显著性分析的研究,提出了一种基于多特征矩阵分解的显著性检测方法。该方法融合了多种类型的图像特征并利用矩阵分解算法进行显著性检测。通常情况下,图像分为显著对象和背景区域两部分,而且显著对象相比背景非显著部分相对较小。图像可表示为由多种类型的特征向量构成的多特征矩阵,该矩阵可分解成低秩矩阵和稀疏矩阵,分别对应于图像的背景区域和显著对象。因此显著图可以通过矩阵中的稀疏元素推理得到。上述矩阵分解过程可以转化为一个最优化问题,这个问题可以借助增广的拉格朗日乘数法解决。现有的方法通常以简单线性或非线性的方式结合单一特征得到的显著图,并没有有效的利用图像的多特征信息。本文提出的矩阵分解算法融合了多种类型的图像特征,通过简单高效的推理过程生成图像的显著图,结果更精确可靠。提取的显著图往往需要进一步分割得到具有显著性高的区域作为高层语义分析基础,鉴于此,本论文借助图像分割技术结合显著图提出一种显著区域提取算法。为了验证这种算法的性能,本文分别在MSRA数据集和Bruce数据集上进行实验,并同现有的方法相比较。实验结果表明,基于多特征矩阵分解的显著性检测算法是有效可行的。