二十一世纪是信息爆炸的时代,信息处理技术成为人们关注的焦点,面对海量的信息,如果对其不加区分,而采用相同处理,时间及空间复杂度则无法估计。研究发现,在海量信息中,人们需要的仅是信息中有用的部分,随着立体成像设备的普及,本文引入视差信息,展开了立体显著性相关研究,提出任务相关的数据筛选,从而提取感兴趣的内容进行处理。显著性研究在计算机视觉和机器学习等领域均有广泛应用,如图像检索、目标识别和图像压缩等。本文主要研究内容如下：第一,建立了一个基于视差分析的显著性模型,实现对立体图像的显著性检测。首先,对立体图像进行预处理,获得视差信息和区域信息；然后,根据图像的颜色特征和视差信息,分别计算颜色复杂度和视差复杂度,以区域为单位,进行显著性聚合；最后,分析立体视觉的特性,考虑视差为零的舒适区域最为显著以及在行视差对比中背景区域变化较小,计算基于视差的局部对比度。本文算法对于复杂场景的立体图像,具有较高的查全率和查准率。第二,提出显著性感知的图像线裁剪,得到不同长宽比的图像,从而匹配不同类型的显示设备。首先,计算新能量图,保存图像的显著性区域不被裁剪线穿过,从而不丢失图像的重要内容。然后,提出新裁剪标准,计算能量函数,不仅使得裁剪线在图像的边缘处分散,从而避免裁剪线聚集在边缘引起的扭曲现象,而且解决了不相邻区域引入新边缘问题。本文的裁剪算法,不但使原始图像在裁剪后保留了主体信息,而且图像边缘连续,视觉效果较好。