人类的视觉系统可以利用选择性视觉注意机制,非常迅速地在杂乱无章的视觉场景中捕获显著性的目标。这种能力急需应用到计算机视觉系统中来处理信息过载问题。因此,学者们模仿人类的选择视觉注意机制提出了大量的显著性模型。与此同时,显著性检测理论广泛地应用在许多计算机视觉任务之中,例如图像分割、目标识别、图像检索和图像压缩等。本文主要贡献如下：第一,本文改进了一个新颖的基于图模型的显著目标检测算法,它通过挖掘高阶能量项来获取尺度间的显著性线索。这种方式大大改善了之前的统一框架下或者单纯的多尺度融合模型。高阶能量项可以迫使图像区域的标签一致性,并且在本文框架中采用的是鲁棒性的Pn模型。对于图像显著目标检测领域,在高阶随机游走模型中引入高阶能量项,基于颜色和平滑等特性可以更好地完善一次项和二次平滑项的关系。第二,本文充分考虑了图模型的关联矩阵在标签分配问题中的重要性。我们通过半监督学习方式,考虑局部(空间分布)和非局部(特征分布)来学习节点之间的相似性值,进而得到学习的图关联模型。这种非局部平滑先验和局部平滑先验在显著目标检测方面可以很好地互为补充。在三个公开的图像库的实验结果表明,本文算法较之前的算法在准确率方面有了很大的提升。