随着海量的互联网数据不断增加,数字图像资源也与日俱增,面对大量的数据,人们希望计算机能够更加智能的对其进行分析处理,自动完成对海量数据的压缩、编码及冗余处理等工作,再对预处理后的数据进行进一步分类识别等处理,如完成图像识别、理解等任务,显著性物体检测成为许多图像高级处理工作重要的预处理环节,也是当前研究的热点。针对传统显著性方法仅能检测显著物体边缘轮廓信息,无法完整分割显著物体或显著性区域的问题,本文研究一种颜色显著性检测算法。首先,量化并计算像素点在RGB空间下的稀疏性,由于CIELab空间更符合人眼视觉原理,于是在CIELab空间中计算各像素点之间的全局对比度,得到像素级的显著性。再对原图像进行超像素分割,以超像素内所有像素的显著性均值作为该超像素的显著值。综合考虑相邻超像素的紧致性和颜色关系,通过能量函数平滑优化相邻的超像素显著值,最终得到前景分割明显且变化较小的超像素级颜色显著性。其次,考虑到显著性物体检测的实时性要求,本文以似物性检测方法代替传统滑动窗口方法,用来在显著图中搜索显著物体。通过删除原似物性方法中条件独立的频域显著性计算,并以贝叶斯后验作为似物性评分标准优化原始似物性模型。最后,本文研究一种融合颜色显著性和似物性的显著性物体检测算法,通过中心环绕法则融合显著性值和似物性值,作为对象级显著性的贝叶斯先验概率,计算似物性窗口内显著物体与窗口像素的比值得到似然概率。最后,通过贝叶斯模型计算得到显著物体后验概率,利用优化后的似物性方法在显著图中搜索分数最高的建议窗口作为显著性物体检测结果。本文在MSRA和ECSSD两个标准公开数据集上对提出的算法进行实验分析,将颜色显著性算法与8种影响广泛的显著性算法相比较,本文显著性算法检测效果较好,检测精度高于其他几种方法。再将优化后的似物性与另外三种方法对比,本文优化结果能使检测窗口大量覆盖于显著图中目标物体上方。最后,将本文显著物体检测算法与同样融合了似物性的显著物体检测算法进行比较,实验结果表明本文方法较其它方法能够更精确、更完整的检测出显著物体。同时,对模型设计过程中存在的部分阈值等参数进行实验分析,对能量函数进行全局敏感性分析,给出二值化阈值选择方法,并对各模型时间复杂度进行实验对比。最后,将本文颜色显著性算法应用于交通标志检测实际场景中,实验结果表明,本文算法能快速精确的检测出完整的交通标志牌。