目标检测的任务是从图像中快速、准确的识别出要检测的目标物体,随着人工智能和计算机视觉在图像处理领域的突飞猛进,目标检测也得到了快速的发展,但是随着各种成像仪器的迅速普及使得图像数据资源日益庞大,人们迫切需要在计算机的协助下快速高效的处理图像数据,从而尽快地从庞杂的数据中找到并提取最具有价值的信息来表征图像。而基于显著性分析的目标检测的主要任务就是计算机利用图像中目标的各种特征信息来模拟人类视觉机制并且有效的提取场景中人类比较关注的部分,从而有效的解放人力和财力,该研究方向是计算机视觉和机器学习中极其重要的一个方向。在此背景下,本文针对目前基于显著性分析的目标检测存在的问题,重点模拟人类视觉注意机制对图像中显著区域目标均匀突出和抑制冗余背景的方法进行了深入的研究,并以此为基础,研究和探讨了遥感影像的显著目标分析和检测,主要的工作总结如下:1.提出了一种基于马尔可夫吸收模型的图像显著性分析方法,该方法通过对图像中像素进行超像素级别的表征作为多层无向图模型的节点,为了进一步优化边权,提出了依据层与层之间的空间关系加权调节图模型的边,并将背景先验知识引入模型来增强前景和背景之间的对比度。为了更加准确的探测节点的特性,设计并通过被吸收概率来更有效的表征目标的显著性。该算法检测结果与真实标注值更加贴近,且能更好的突出图像中显著的目标区域,同时抑制背景区域,使目标的边界保持良好且避免了过分割的问题,提高了检测率。2.提出一种基于损失监督信息的深度迭代模型,根据前面算法中超像素分割数目进行迭代,利用图像的显著图与真实标注图之间的全局结构性损失监督信息来自动调节下一尺度的显著特征图,直到损失信息小于阈值,最终可以得到经过深度显著分析的目标检测结果,该方法能够有效检测出复杂背景的光学数据集上待检测的目标。3.在此基础上,对遥感图像目标检测进行了研究,对于大幅场景且目标相对背景占比较小的遥感图像,显著性检测结果会因为超像素分割数目的关系而出现漏检现象,造成检测精度下降,为此提出了基于空间相关滤波和深度显著性分析的遥感图像目标检测,可以快速定位图像中感兴趣目标,去除与检测任务无关的背景区域,检测性能良好,有着重要的应用价值。