显著性检测作为计算机视觉领域的重要分支,能够快速获取图像中最吸引人们视觉注意的区域,经常被应用到图像标注与检索、目标识别、图像自动剪裁等多个领域。针对现阶段显著性检测因显著区域稠密性不足、显著对象不完整而导致的准确率较低的问题,本文提出了一种融合似物性前景与背景先验的图像显著性检测方法。该方法首先对图像进行超像素分割,计算超像素颜色空间分布,得到低层特征显著图;再利用似物性检测方法获取若干候选目标窗口,由窗口建立搜索区域,并结合二值化的低层特征显著图优化目标窗口,得到对象性信息;然后利用多窗口特征对超像素做前景对象预测,获取前景显著图;算法由图像边界超像素建立背景模板,利用k-means算法对模板子集进行聚类,将更新的模板特征作为稀疏字典,计算稀疏重构误差,获取背景先验图;最后对两种显著图采用加权融合的方式得到最终显著检测结果。在MSRA10k和PASCAL VOC2007两个公开的图像数据集上验证本文算法的性能,并与11种算法作比较。实验结果表明,本文算法有效增强了显著区域内部稠密性,显著区域轮廓清晰,显著对象较为完整,提高了显著性检测的准确率。本文算法在保证运行效率的同时,各种性能指标有明显的提高,尤其是在复杂背景下对多个显著目标的检测,存在明显的优势。