近年来数字图像信息迅猛地积累,人们希望计算机能够像人类的视觉注意力机制一样,拥有仅关注数字图像信息中几个重要区域的能力,这样人们就能利用有限的计算机资源对海量的图像信息进行快速地处理。虽然大量的研究人员投入到图像显著性检测的领域中来,但是现阶段缺乏基于红外图像特性的显著性检测方法。而红外成像具有受光照影响小以及对烟雾的穿透性高的特点,因此红外图像显著性检测具有很高的研究和应用价值。针对这一问题,本文在国内外图像显著性检测方法研究成果的基础上,分析了现有检测方法存在的优缺点,并结合红外图像的诸多特性,提出了两种红外图像显著性检测方法。然后将其与以往优秀的图像显著性检测方法作比较,本文的检测方法性能均更加优异。本文主要研究内容具体如下:针对现有的显著性检测方法无法有效的针对复杂场景进行检测的不足,本文提出了结合人类视觉理论和谱残差的红外图像显著性检测方法,能够更加全面地检测红外显著性目标。该方法首先采用基于图的分割方法将红外图像分割成若干的区域,然后基于人类视觉研究的对比度理论,计算每个区域与其他区域之间的对比度信息,并利用直方图进行加速计算,同时还考虑到区域相互之间的距离信息和区域面积大小的信息。最后根据谱残差的原理,本文把红外图像变换到频域后,除去其中的剩余频谱部分,从而抑制图像中冗余部分。将这两者表达的图像显著性相结合,与现有检测方法作比较,本文的方法可以更加准确地检测出红外图像中的显著性目标。针对现有的人工特征无法准确地刻画图像内部复杂的结构特征的局限性,本文提出基于卷积神经网络的红外图像显著性检测方法。本文首先采用基于图的分割方法对红外图像进行多尺度区域分割,然后利用双通道的卷积神经网络从两个不同层次上进行特征地提取,然后通过两个完全连接层后输出。分别计算出每个分割尺度下与之对应的显著性图像,最后将各个尺度下的显著性图像融合在一起,以获得最终的显著性图像。通过对比实验的结果表明,本文提出的方法对于检测红外图像中的显著性目标拥有更高的准确率。