人们在看一副图像时通常比较关心特定的区域，这些被关注的区域就是显著性的区域。本文重点研究了基于GABOR纹理特征的图像显著性以及视频显著性检测算法，图像显著性检测算法检测显著区域而丢弃背景部分，视频显著性将图像的显著性拓展到视频中。　　本文围绕以上两部分研究内容，提出了基于GABOR纹理信息的显著性检测算法以及基于多尺度的视频显著性检测算法。　　基于GABOR纹理信息的显著性检测算法首先将超像素与MEANSHIFT分割方法结合起来提出了一种新的图像分割方法，该方法结合SLIC(Simple Linear IterativeClustering)和MEANSHIFT方法来获得最终的分割结果，并用它来代替RC(RegionContrast)方法中所使用的GB(Graph Based)分割算法，计算颜色分显著性图，然后使用GABOR滤波来获取图像的纹理信息，最后根据GABOR滤波的结果计算自适应融合比将纹理分显著性图和已经取得的颜色分显著性图融合起来得到最终的显著性图。该算法优点是能完整地分割出目标并均匀地突出显著物体，纹理特征的导入使该算法更适合用在纹理复杂的场景中。　　基于多尺度的视频显著性检测算法首先建立一个图像金字塔，每一层都是上一层的四分之一大小，在最高层使用STUW(Spatiotemporal Cues and Uncertainty Weighting)得到最初的显著性图，初始的视觉中心是图片的中心，然后在最上面一层上移动视觉焦点，下一层初始视觉中心为上一层的视觉中心，直到最后一层得到最终的视觉中心，我们使用Akisato的10个视频中的两个来测试该算法，实验对比说明我们的算法优于其他的方法。　　本文提出了一种新颖的图像显著性算法和一种基于多尺度的视频显著性检测算法，实验证明，上述两种算法都能很好的检测出显著目标。