随着科学技术的高速发展，大量的图像信息方便了人们的生活，同时也随之产生了大量的冗余信息。如何从海量的图像中去除冗余，找到人类需要和感兴趣的信息，成为了一个热门研究课题。鉴于人类的视觉系统能够快速高效的从场景中找到有效信息且忽略不需要的干扰，大量研究人员开始致力于模拟人类的视觉系统来对图像进行处理。本文通过模拟人类视觉注意机制，提出相关显著性检测模型。　　首先介绍了现有的部分模拟人类视觉注意机制的显著性检测算法，并详细介绍了其中两个模型的原理和详细技术细节。分析了当前主要算法的原理及其特点，提出了本文的两种显著性计算方法。　　其一是基于局部对比度和全局稀有性的显著性检测模型算法。大量的前人研究工作表明，提取局部对比能够获得较好的目标边缘，而计算全局稀有度在目标同质区域得到较好的显著图。本文提出了一种新的局部对比度和全局稀有性的显著性检测算法，得到更好的显著性检测结果。　　另一种是结合贝叶斯网络的显著性检测模型，结合贝叶斯网络，通过由粗到细，循序渐进的方式计算显著概率。通过计算包含了全部或大部分显著目标的凸包，并结合凸包计算似然概率。提出了两种先验概率，其一是通过衡量图像中像素与凸包内像素的差异来估计先验概率，另一种利用了提出的局部全局方法的成果，根据图像的特征分布和对比估计先验概率。将先验概率和似然概率按照贝叶斯网络结合起来得到最终显著性概率图。　　本文的算法在相应数据库中进行测试，发现基于局部对比度和全局稀有性的显著性检测模型得到显著图能够得到较好的目标，且在目标内的同质区域也有较好的表现。结合贝叶斯网络的两种显著性检测模型也能够得到较好的检测效果，第一种偏重于计算的实时性，第二种偏重于检测效果。