图像显著性检测是对图像中人眼关注的区域进行检测,在图像标记、语义分割、图像压缩和图像内容感知等图像处理方面有着广泛的应用。高效的图像显著性检测算法可以提取出有价值的图像区域,大大提高图像处理的效率。近年来,图像显著性检测作为计算机视觉研究中的关键技术,受到了大量国内外学者的关注。在当前的图像显著性检测算法当中,传统的基于数学理论手动提取特征获取图片显著区域的方法能够很好的检测显著对象的细节信息,但在检测显著对象的全局信息方面有所欠缺,并对噪点相对比较敏感,基于语义特征的检测算法能够准确的检测出具有代表类别的显著性对象,但对显著目标细节的检测能力略显不足。为此,本文基于并行化网络结构对图像显著性检测展开了研究,研究内容主要包括以下三个方面:(1)针对单一类型的显著性信息不能很好的解决显著对象定位和显著对象与背景之间边界细化的情况,提出了一种通过提取混合特征来检测图像显著性的方法,该方法融合了图像区域对比信息和图像中的语义信息。融合后的混合特征图同时具备了处理显著对象定位问题和显著对象与背景边界细化问题的能力,实现了通过多类别显著性信息进行图像显著性检测的目的。(2)在混合特征的构建过程中,提出了一种基于区域对比信息映射图的构建方法,该方法以图像中的像素簇为单位,分别提取每个像素簇的颜色特征、纹理特征和空间位置特征,并计算目标像素簇与图像中其它区域的差异性,生成与原始图像尺寸相同的区域对比信息映射图。有效的解决了多类别特征在卷积神经网络输入中尺寸不匹配的问题。(3)针对单一的网络结构处理多类别显著对象特征信息能力不足的问题,提出了一种基于并行化卷积神经网络结构的图像显著性检测方法。构建区域对比特征映射网络来处理区域对比信息,采用经典网络模型来处理图像的语义信息,在并行化网络结构的尾端将两种高度抽象的特征图融合,然后通过分类器得到最终的显著图。增强了网络对多类别显著对象特征的分析能力,使得最终生成的显著图更加精确。