受启发于人类视觉系统能快速而准确地找出复杂场景中最令人感兴趣的区域，视觉显著性目标检测技术通过模拟人类视觉注意力机制自动检测场景中的显著目标，其在计算机视觉领域目标智能检测识别方面具有重要的理论意义和广泛的应用价值。鉴此，论文就自然场景下的视觉显著性目标检测方法展开研究，探究视觉显著性目标检测的基本原理和机制，建立其相应的计算模型。针对当前各种经典的视觉显著性检测模型所存在的实时性和精度问题，本文致力于检测精度的问题。采用自底向上的技术路线，通过建立合适的计算模型进行静态图像和视频动态图像的视觉显著性目标检测。

论文首先介绍了静态图像视觉显著性目标检测中的图论模型，在前期学者们研究的基础上提出了一种结合吸收马尔科夫链和流形排序的改进算法，与之前的图论模型不同，本文同时考虑目标特征和背景特征并引入吸收马尔科夫链的被吸收时间来进行视觉显著性目标检测。进一步，鉴于该算法在背景占据图像中心区域较大面积时检测效果不佳的问题，引入流形排序进行背景抑制以提高算法的精度。另外，为提高算法的运行速度，模型首先对图像进行SLIC超级像素分割形成更大的像素集处理单元块，其次定义评分函数自适应选择流形排序，以同时兼顾算法的实时性与精度。

论文进行了视频图像的视觉显著性目标检测，针对颜色特征的适应性不够的问题，本文从视频图像序列本身的特点引入两种新的视觉特征：运动特征和目标概率分布特征，由此形成视频图像对应三种特征的显著图。并从信息熵的角度，自适应加权融合三特征显著图以获得视频图像的最终显著图，得以提升算法的场景适应能力。

基于标准数据集，本文进行了上述两种算法的系统测试，并和经典的主流视觉显著性目标检测算法进行了对比实验分析以进一步洞察模型的优势与不足和未来尚需进行研究的方向。实验结果表明上述两种算法提升了目标检测精度，但其所依赖目标在相应的视觉特征上必须是显著的假设，而制约了其目标检测能力，此还有待后期开展进一步的研究。