随着5G网络的普及,海量高清图像会呈爆炸式增长,潜在的信息规模将越来越大。这一改变带来了许多挑战,例如对整个图像矩阵进行完全采样会非常耗时,处理代价巨大,要处理显著目标图像数据矩阵的全部信息在现阶段是个艰巨的任务。因此,学者们致力于图像稀疏矩阵降阶方法的研究,以获得一种简单有效的方法来对原始图像数据进行处理。为了降低图像处理的复杂性,改善显著图像检测的精确率,我们对稀疏低秩图像的处理做了进一步研究,具体内容包括以下两方面的工作:（1）针对低秩矩阵在图像显著性检测中,因凸松弛迭代奇异值分解导致的计算复杂度高、及稀疏矩阵元素间潜在结构关系未充分考虑导致的显著图发散或不完整现象,提出了结构化低秩矩阵Krylov-SVD分解的显著性目标检测算法。首先,对Arnoldi模型进行了研究,给出了Krylov-SVD奇异值分解算法,通过求其前k个特征值,对稀疏矩阵进行降阶处理,以降低计算复杂度;随后,引入了索引树结构化稀疏范数,利用分层稀疏正则化来连接稀疏矩阵中元素之间的空间关系,通过树形结构来关联图像块空间与特征矩阵,以改善显著目标检测的精准性;最后,采用MSRA10K、SOD和ECSSD三个公开数据集、五种评价指标,与现有的十一种算法进行了对比实验。结果表明本文算法在显著性目标检测精准性方面有着良好表现。（2）针对现有的显著性检测算法只能得到中心清晰、边缘模糊的显著目标,丢失一些重要的边界信息,而且在显著性计算过程中大量使用了核范数约束进行低秩矩阵恢复,运算过程冗余的问题,提出了多尺度分割先验迭代重加权低秩恢复显著性检测。首先将图像分为细中粗三种尺度的分割,从细粒度和粗粒度先验的融合中得到分割先验信息;然后将融合后的分割先验信息,通过迭代重加权最小二乘法求解平滑低秩矩阵恢复,生成粗略显著图;最后使用中粒度分割先验对粗略显著图进行平滑,生成最终的视觉显著图;最后,实验结果在MSRA10K、SOD、ECSSD三个数据集上进行测试,并与现有的十一种算法进行对比。实验结果表明本文算法能从前景复杂或背景复杂的显著图像中更准确地检测出边界清晰的显著目标。