随着空间探测技术、传感器技术的飞速发展，可获取遥感影像的空间分辨率逐步提高，数据量也越来越大，由于硬件处理条件的限制，现有的数据处理能力与海量遥感影像数据严重不匹配，所以如何在海量数据中找到少量感兴趣的区域，利用有限的处理能力进行优先处理，达到资源的合理分配是遥感领域的关键问题。每当睁开眼睛，大脑就会接收大量外界景物的影像信息，然而大脑的处理能力有限，无法并行处理所有信息，所以视觉系统采用视觉选择性注意机制从大量视觉信息中快速选择出少量而重要的视觉信息，并对其进行优先处理，以减少计算复杂度。可以看出研究大脑的视觉注意机制对于遥感影像处理有着重要的意义。大多数的视觉注意模型都是在Itti经典模型基础上的改进，然而它们有个共性的问题在于显著图的获取都是采用将各特征图通过某种方式简单的线性叠加在一起，显然，这种获取方式并不符合生物机制。神经科学和认知科学的学者研究发现大脑是以一种贝叶斯推理的方式进行视觉感知的，所以如何构建符合生物学机理的贝叶斯模型成为视觉注意研究的新方向。Chikkerur在2010年提出了一个贝叶斯集成的框架，将自顶向下与自底向上的信息用推理的方式进行结合，成功模拟了多种视觉注意现象，但是该框架有一个缺点，它将各个特征同等对待，如它认为“红色”与“黄色”的关系与“红色”与“方形”的关系相同，但实际上，这两种关系的相关性肯定存在差异。本文在Chikkerur模型的基础上，引入了视觉线索的概念，结合新的神经科学研究成果，提出了一个基于贝叶斯推理的多线索视觉注意模型，模型主要包括两个部分，即多种视觉线索的提取部分和集成自顶向下与自底向上的贝叶斯推理部分。实验主要关注了3种视觉线索：形状、颜色和上下文，并将视觉线索按照其发挥作用的视觉通路进行分配。其中形状线索和颜色线索作为目标相关的线索，发生在腹侧通路上，输出的是自底向上的特征图；上下文线索与空间位置相关，发生在背侧通路上，提供的是空间位置的先验。将第一部分各线索的输出作为第二部分的输入，传入到贝叶斯网络中，从而将显著图的获取转换为了求后验概率的问题。利用本文模型和Itti模型进行遥感影像中的目标检测与定位的结果表明，本文模型能有效的检测出目标并给出目标所在的位置，同时能更好的排除背景的干扰，生成的显著图更优。