在显著性检测的过程中，由于采用不同的计算模型，检测结果有很大差异。如何从生物视觉原理出发，计算出满足实际应用需求的视觉显著性图像值得深入研究。本文主要研究一种新型的视觉显著性检测算法，该算法利用图像的区域对比度和空间分布特性，检测出形状和边缘更加准确的显著性目标所在的区域，更加符合实际应用的需求。首先，从生物视觉注意机制出发，分析了基于图像单元的视觉显著性检测算法的合理性和可行性；根据图像的颜色特征向量和空间特征向量的概率分布，选用一种改进后的自适应Mean-shift图像分割算法构造图像单元。其次，总结了图像显著性检测算法常见的视觉特征，分析图像对比度特征的原理，利用图像单元的对比度特征进行显著性检测；对图像单元的的颜色进行聚类，计算图像的主要颜色，分析图像的主要颜色的空间分布特性，根据聚类颜色的空间分布的方差进行显著性检测。再次，计算关键显著性区域，将两种模型的检测结果通过高斯模型进行联合赋值，并根据关键显著性区域中心的空间位置进行显著性增强，获得最终的显著性检测结果。该算法与现有的方法比较，综合考虑了颜色和空间上的显著性影响因素，生成检测结果，提升了精度和召回率,能够抑制复杂纹理和噪声,去除复杂背景的影响，并在公开的测试数据集上验证了算法的可行性。最后，分析和深化了显著性检测的应用，将本文提出的检测算法与实际应用相结合，利用显著性检测算法解决图像智能缩放和图像风格化的问题，进一步验证了该算法的有效性。