视觉显著性在图像处理及模式识别技术中具有十分重要的应用价值。当前,这一领域的研究人员针对不同的心理学理论提出了多种视觉显著性的计算模型。本文将两种新型显著性分析算法——基于上下文的Goferman模型和基于频谱残留的计算模型分别进行了改进,并引入遥感图像的感兴趣目标检测。随着高质量遥感图像的获取越来越容易,遥感图像中的目标自动识别成为研究热点。传统遥感图像的目标检测因其庞大的数据量往往伴随着巨大的计算复杂度。在目标识别中采用基于先验知识库的全局搜索策略会产生过多的时间开销,其实时性和应用价值受到了严重限制。因此,将视觉感兴趣目标检测应用于遥感图像目标识别以降低其搜索范围、提高算法实用性成为了一种迫切的需求。本文进一步将两种新的显著性分析算法引入高分辨率遥感影像的感兴趣目标检测中,提出了新的基于视觉注意模型的视觉感兴趣区检测方法。另外,论文针对基于多尺度特征融合的Itti模型也做出了改进,并取得了很好的效果。主要创新及特色包括以下四个方面:　　第一,将Goferman模型引入自然图像和遥感图像的感兴趣区域检测中,并通过与均值偏移分割的融合有效降低了其算法复杂度。Goferman模型考虑了显著区域的聚集特性,使得生成的感兴趣区域检测结果大大减少了碎片区域　　第二,将频谱残留法引入自然图像和遥感图像的感兴趣区域检测。新方法充分利用图像的log频谱规律生成视觉显著图,无需先验知识库及全局搜索;并能在遥感图像的检测中排除云层的干扰。　　第三,用区域增长算法和阈值分割描述感兴趣区。传统的检测方法使用数量有限的圆形区域来描述和标注感兴趣区域的检测结果。由于圆形区域数量的限制以及区域形状缺乏灵活性的缺点,无法对感兴趣区域进行较完整准确的覆盖。区域增长算法可以很好地适应各种形状的感兴趣区域,对感兴趣区域实现较为准确的描述。　　第四,对Itti模型的显著图生成方法进行了创新和改进。将Itti模型与均值偏移算法相结合,并采用动态融合技术代替传统的平均叠加,取得了更好的检测效果。均值偏移算法有效的提高了感兴趣区域检测的准确度,增加了检测过程抗噪声的能力。通过实验对比可以看到感兴趣区域检测精度的提高及噪声区块的减少。　　本文提出的算法在较低的时间开销情况下实现了较好的感兴趣区域检测效果。为基于视觉注意模型的感兴趣区域检测提供了新的思路和方法。