显著性区域检测是计算机视觉领域重要技术之一,主要用在其他技术的预处理过程,例如,图像检索分类压缩分割等,显著性检测算法性能的提升对其应用算法有着重要的促进作用。这几年,显著性区域检测得到广泛关注和研究并获得了不错的成就,可是问题还是远未解决,主要存在以下三种问题:第一,大部分只使用图像底层特征或者单个先验信息,限制了算法的适用性;第二,算法在复杂数据集上的精度还有明显的提升空间;第三,算法的复杂度高,速度慢。本文致力于解决上述问题,提出了基于多视角的显著性区域检测算法,主要工作如下:(1)调研现有显著性区域检测算法,介绍研究现状,总结一般流程,介绍常用的理论基础和相关技术。(2)提出基于多视角的显著性区域检测算法,利用基于图论的流型排序算法作为显著值测量标准。借鉴多视角学习方法,构建图像底层对比度、背景先验和目标性先验三个视角。其中,在背景先验视角中,通过动态加权将四个背景显著图进行集成;在目标性先验视角中,引入物体检测进行似物性采样,得到图像中物体所处的位置信息。视角组合后,引入显著图排序,与前景排序结合起来对初步显著图进行空间优化。(3)对本文提出的算法进行时间复杂度优化。首先,分析显著区域检测算法的时间复杂度,然后,在算法级和程序级分别进行优化。在算法级上,调整算法顺序设计多线程方案;在程序级上,通过浮点划定点、替换分段函数、循环优化和函数优化等手段进行优化。(4)在六个基准数据集上对利用实验验证本文提出的算法,结果表明,与目前性能靠前的模型相比,性能有所提高。另外,评估各个模块对性能的影响,统计优化复杂度后算法的性能。