图像的显著性目标或区域是指图像中人眼特别关注的有特定意义的目标或区域。图像显著性检测的目的是利用计算机模拟人类视觉系统自动检测出一幅图像中的显著目标或区域。随着计算机视觉系统的智能化发展,图像显著性检测已成为计算机视觉和模式识别领域的一个研究热点。传统的显著性检测算法如生物启发式算法、频域残差法、基于图的检测方法等都存在着不同程度的缺陷,不能准确完整地检测出一幅图像的显著性区域,因此不能完全满足对检测结果的进一步应用需求。一幅自然图像的显著性目标是相对于整幅图像来说某些特征较为稀疏或出现频率较低的部分。基于显著性目标的这一性质,近期一些文献提出了基于特征稀疏分解的显著性检测方法,其主要思想是将一幅图像的特征分解成低秩部分和稀疏部分,其中低秩部分具有强相关性,代表非显著区域,稀疏部分则表示显著性区域。然而单一特征无法刻画自然图像中目标特征的丰富多样性。因此,本文提出一个基于多特征和稀疏分解的显著性检测模型,首先对图像进行超像素分割,提取每个超像素块的多种属性特征;然后对每个超像素的特征数据设计一个自表示模型,即用图像中所有超像素的特征线性表示每一个超像素特征,对表示系数用非凸的&/正则化,对表示误差用分组稀疏度量;最后通过联合使用多特征的稀疏误差度量图像的显著性。此外,本文在基于多特征的检测结果基础上,给出一个去除虚假的小的孤立显著区域的方法,该方法有效去除了显著性检测结果中的杂乱点干扰。大量的实验结果表明,本文所提方法的检测结果无论在视觉效果上还是客观评价指标上都比相关算法具有明显的优势。