在图像中自动发现人感兴趣的目标是计算视觉中非常有用的技术,近年来一直是计算视觉中的热门研究领域。显著区域检测技术广泛应用于图像压缩、图像检索、基于内容的图像缩放等图像处理领域。目前该问题有两大类主要的算法：无先验知识,独立于特定任务的检测方法和基于先验知识,针对特定目标的检测方法。前类算法主要检测图像中比较突出的区域,这些区域比图像中的其他区域有明显的区别。此类算法因为没有指定特定目标,所以可以检测任何显著的区域。后类算法需要通过对已知的感兴趣的目标进行样本训练,提取相关特征,利用已有的先验知识检测图像中感兴趣的区域。本论文提出两种独立于特定任务,纯计算类型的算法模型。结合图拉普拉斯技术以及基于区域全局对比显著检测技术,论文首先提出一种纯计算模型。我们对基于区域全局对比显著检测模型进行扩展,将产出的显著图作为模型的初始输入。大于特定阀值的区域认为是最显著的区域,小于特定阀值的区域认为是最不显著的区域,结合该限制条件和图拉普拉斯技术,将该问题转化为线性方程组求解问题。该方法速度快,实现简单,能够产生较好的结果。然后,论文又提出一种基于特征选择的提高模型。图像的每个像素由相应的特征向量表示,并不是每个特征对显著检测都有正的作用。将相似图看作对称马尔科夫过程,分析其混合率发现该矩阵的第二小特征值越大,表明相应的图更易分离。接着,将特征选择问题转化为半定规划问题,生成每个特征的权重值,并应用于之前提出的模型中。该提高模型能够改善显著区域检测结果。论文提出的模型具有三个优点：一,其是无用户交互的,非监督式的显著区域检测技术；二,模型同时考虑目标的边缘和区域信息,输出和人工标注吻合的显著区域：三,能够生成和输入图像等分辨率的显著图。论文最后,通过实验证明本文提出的模型优于其它的方法,并讨论了将来进一步的工作。