本研究对基于图像的显著性检测中存在的部分问题进行了深入研究和探索。对人类视觉注意机制以及部分经典的视觉显著性相关理论做了简要概述，对目前的研究现状和一些经典显著性检测算法进行了总结和描述。以对该研究方向的全面调研为基础，以解决目前存在的问题为动机，提出了与问题相对应的三个显著性检测算法。本研究解决的问题均来自于实际项目需求，通过基于分层的显著性检测算法，能够解决在实际应用中目标及其内部信息的分割问题。通过基于动态视频的联合显著性检测算法，能够解决动态场景中目标的分割问题以及在静态场景中目标的部分运动问题。通过基于多任务深度神经网络模型的显著性目标检测算法，能够解决低对比度场景下的目标分割的完整性问题。

赵雪专，男，汉族，河南濮阳人，中共党员，2016年毕业于中国科学院大学，获得博士学位。现任郑州航空工业管理学院计算机学院专职教师，主讲课程有计算机应用基础、C程序设计、软件测试技术等，主要研究方向为计算机视觉、机器学习、模式识别等。近年来，主持或参与多项省部级科研项目，发表相关学术论文20余篇。

1 概述
1.1 研究背景及意义
1.2 视觉显著性理论基础
1.2.1 人类视觉系统
1.2.2 人类视觉注意机制
1.2.3 视觉显著性经典理论框架
1.3 视觉显著性关键技术
1.3.1 视觉注视点预测
1.3.2 显著性区域检测
1.4 显著性检测研究现状
1.4.1 自底向上的数据驱动模型
1.4.2 自顶向下的任务驱动模型
1.5 显著性的相关应用
1.6 研究内容及组织结构
1.6.1 主要研究内容
1.6.2 本书的组织结构
2 分层显著性目标检测框架研究
2.1 问题形成
2.2 相关研究
2.2.1 多维融合模型
2.2.2 先验引导模型
2.2.3 决策优化模型
2.3 分层显著性检测算法
2.3.1 图的构建
2.3.2 粗粒度层显著图检测
2.3.3 细粒度层显著图检测
2.3.4 显著图多层融合
2.4 实验
2.4.1 实验评价指标
2.4.2 结果与分析
2.5 本章小结
3 联合显著性检测算法研究
3.1 问题形成
3.2 相关研究
3.2.1 静态显著性检测模型
3.2.2 动态显著性检测模型
3.3 联合显著性检测算法
3.3.1 静态显著性检测
3.3.2 动态显著性检测
3.3.3 联合显著性融合
3.4 实验
3.4.1 实验评价指标
3.4.2 结果与分析
3.5 本章小结
4 基于深度神经网络模型的显著性目标检测算法
4.1 问题形成
4.2 相关研究
4.3 基于多任务深度神经网络的显著性目标检测算法
4.3.1 构建目标上下文图像
4.3.2 全卷积神经网络结构
4.3.3 目标轮廓检测任务
4.3.4 显著性检测任务
4.3.5 基于条件随机场的显著图细化
4.4 实验
4.4.1 实验评价指标
4.4.2 结果与分析
4.5 本章小结
5总结与展望
5.1 主要研究成果
5.2 工作展望
参考文献