随着互联网和图像处理技术的发展，越来越多的图像出现在各种应用中，为了有效的处理和分析这些图像，传统的图像检索算法通常针对整幅图片进行提取特征然后分析处理，但这样做有两个明显的问题，一是一些不重要的背景区域对于分析图像所包含的实际意义时会产生影响。二是整幅图像处理起来也相对较慢。考虑到这些问题的存在，显著性区域检测能够忽视背景因素的影响提取出关键的物体或者目标，如何更有效地将显著目标与背景有效分离是目前显著性区域检测的重要研究方向。
本文旨在研究如何提取更高层语义的特征提取方法来提高显著性目标检测，同时要兼顾简单高效性。首先，本文提出了一种基于区域形状对比度的显著性计算方法，该方法利用图割算法获得不同的区域，分别对每个区域进行建模，提取区域边缘像素的梯度方向直方图作为区域的形状特征，再通过区域之间的对比度计算同时融合区域的位置先验和区域间的距离先验来计算出最终的显著性。实验表明，形状特征可以更好的分辨背景和显著物体的自身组成部分，有效的避免了基于颜色特征的算法对于显著物体自身组成部分分割的模糊性，做到了既包容显著物体组成部分的差异性，又能有效的区分显著物体和背景。之后本文提出了一种基于深度学习框架CNN的显著性区域检测算法，该方法通过利用近几年在各个领域有突出表现的CNN来学习特征融合和局部显著性计算方法，同时针对超像素区域设计了分块统计量化来一次性处理所有的超像素区域从而达到大幅提升速率。实验表明，基于CNN的显著性区域检测方法相较于近年来基于超像素区域的深度学习框架速度有了大幅的提升，证明了算法的有效性。
本文主要围绕提取更高语义层级的特征算法来提高显著性区域检测进行研究，提出了两种分别基于形状特征和深度学习的不同类型的显著性提取方法。其效果相比于传统颜色算法和近年深度学习算法均有改进。