伴随信息技术与移动互联网的快速发展,视频与图像等信息呈指数级增长,显著性目标检测通过模拟人类的视觉注意力机制检测出图像中感兴趣的目标,在视觉跟踪、目标发现、人机交互等许多领域具有广泛的应用,近几年来引起了国内外学者的广泛关注。稀疏与低秩矩阵恢复模型在显著性目标检测方法中发挥出积极作用,但是当面对显著性目标位于图像边缘或者背景复杂的场景时,其检测精度会受到很大的影响,本文主要针对基于低秩矩阵恢复模型的显著性目标检测方法进行研究,提出了一种融合背景模板提升方法的稀疏与低秩矩阵恢复的显著性目标检测方法。首先,针对现有稀疏与低秩矩阵恢复模型中背景模板提取方法不理想的问题,提出一种融合语义信息的背景模板提取方法。通过计算图像超像素块之间的连通度与对比度,移除原始背景区域中含有前景目标的超像素块,再利用SegNet语义分割获取图像的语义信息,将原始前景区域中属于背景模板的超像素块添加至背景模板之中,提取出较为准确的背景模板。实验表明,通过融合语义信息,可以提取到图像的高层特征,使得背景模板提取的错误率下降20%以上,提升了背景模板的准确性。其次,针对现有稀疏与低秩矩阵的显著性目标检测方法中没有考虑邻近超像素块之间显著值一致性的问题,提出了一种相邻超像素块之间的结构约束方法。通过计算超像素块之间的影响因子矩阵和置信度矩阵,构建基于结构约束的稀疏与低秩矩阵恢复模型,使得获取的显著图中属于同一区域的超像素块具有连续的显著值,结合提取出的融合语义信息的背景模板,改进了现有的稀疏与低秩矩阵恢复的显著性目标检测方法,提升了图像显著性目标检测的效果。实验表明,该方法使得获取的显著图更加光滑,具有一致的显著性目标,并且在三个显著性目标检测的指标性能上都有提升,充分证明了本算法的有效性。最后,综合上述稀疏与低秩矩阵显著性目标检测算法,利用提取出的图像背景模板作为待添加水印的区域,结合图像风格化方法,设计了基于显著性目标检测的风格化水印添加系统,可增加自动去水印的难度。