图像的应用已经大量地融入到我们生活的方方面面,越来越多的图像需要我们去识别。因此,在图像处理领域里,目标识别成为了非常重要的一部分,并且对于结果的可靠性有着严格的要求。在面对背景非常复杂并且含有大量的冗余信息的输入图像时,感兴趣区域(region of interest,ROI),即能够引起视觉注意部分区域,能够快速地吸引人类视觉系统的注意力并使得人类视觉系统对它进行优先处理及最终的识别,从而忽略掉视觉冗余信息,即那些不会引起视觉注意的信息。因此,在图像处理的时候视觉冗余信息对人眼的作用是很小的,人眼主要关注的是感兴趣区域。在感兴趣区域检测过程中应该对图像的冗余信息进行弱化甚至去掉,这对于图像处理有很重要的意义。鉴于人眼系统对图像对比度的敏感性,将该特性引入到显著目标检测当中。在有关矩阵分解方法应用中,发现低秩稀疏矩阵分解对图像的背景有很好的抑制作用,并可以将原图像的背景和显著目标部分进行分离,即低秩对应背景部分,稀疏对应显著部分。结合低秩稀疏矩阵分解和视觉特性,将该矩阵分解方式应用到黑白图像和彩色图像,提出了基于全局和局部的低秩稀疏矩阵分解方法和基于多特征低秩稀疏矩阵分解方法。首先,对比度显著性检测的结果没有很好的抑制图像的背景信息,因此在该方法中引入矩阵分解,利用矩阵分解对背景的抑制作用达到更好的显著检测效果;然后,为了将该矩阵分解应用到彩色图像,结合Itti模型的特征分离方法,将矩阵分解推广到多特征矩阵分解,该方法融合多种特征的方式是基于矩阵分解的,不同于以往的线性或者其它的融合方式。最后对方法进行仿真实验,实验结果表明,本文算法可以有效地抑制图像中的视觉冗余信息,提高显著目标检测效率。