随着各种成像技术以及传播媒介的发展，图像由于包含着丰富的可视化信息，在人们的日常生活中起着不可替代的作用。面对日益庞大的图像数据，如何从中高效地提取出重要的信息，是十分具有挑战性的问题。人类视觉能从图像中快速、准确地识别出最感兴趣的区域，这种视觉注意机制如果能被计算机视觉有效的利用，便可从大量图像中提取关键部分，极大程度提高图像处理效率。因此，各种视觉显著性方法被提出，进而服务于各种应用，如图像分割、目标检测、基于内容的图像检索等。　　现有的图像显著性方法从其定义、发展过程以及具体的应用方向上考虑，可分为视觉关注点预测、显著性目标检测以及目标建议(Object Proposal)三个阶段。但无论哪一阶段的方法，由于场景的复杂多变、目标尺寸变化范围广以及成像环境的不确定性，其显著性区域的检测效果都有待改善，在各种量化性能评价指标上的表现都需要进一步提升。而本文正是基于这一目标，在对国内外一些经典的图像显著性方法深入研究的基础上，提出了三种分属不同阶段的显著性方法，并将图像显著性思想应用于裂缝这种最主要的路面病害的检测。论文的研究成果主要体现在以下几个方面:　　1.针对经典的基于频域的显著性算法准确率不高的缺陷，提出一种融合相位一致性与2DPCA(Two-dimensional Principal Component Analysis)的显著性方法，预测人眼视觉关注点。不同于传统的直接利用相位谱信息的算法，本文提出采用频域变换后的相位一致性(Phase Congruency,PC)分析图像中各点相位谱的变化规律，使得最容易引起视觉关注的重要特征点和边缘信息被凸显。经超像素优化、颜色对比度加权，相位一致性值高且集中的图像整体区域被突出，背景中杂乱的纹理与边缘被弱化，显著性区域的估计更为准确。而为了更加深入的分析图像块内部结构的差异，本文提出将图像块在二维主成分空间的可区分性作为模式显著性度量，与上述结果融合，两者取长补短。该方法与14种经典的算法相比，显著图的视觉效果有明显改进，能更加准确的预测人眼视觉关注点;在TORONTO和MIT数据集上的Shuffled AUC指标分别高达0.709和0.686。　　2.提出一种基于层次先验估计的显著性目标检测方法。该方法将图像划分为像素、超像素、连通区域、类、先验背景与前景共5个不同层次的组成单元。而各层之间协同合作，得到较为精确的先验背景与前景估计后，利用颜色对比度计算显著性。而不同于传统的背景先验假设，该方法通过类内和类间所含超像素空间离散程度、位于图像边界的超像素数目和几何形状约束，自适应地估计先验背景，结果更加准确，鲁棒性强;再经过先验前景估计与连通区域优化，非目标区域被抑制，显著性目标整体被完整地突出。在公开的MSRA-1000、SED1、SED2和SOD数据集上的实验结果表明，该方法的5种量化性能指标的综合评价优于24种经典的方法。　　3.提出一种改进的基于贝叶斯框架的显著性方法，用于目标建议。针对现有贝叶斯框架下基于显著点围成的凸包构造粗尺度的前景目标范围这种硬分割方式造成的先验概率分布估计不准确的弱点，本文提出一种改进方法:在采用软分割方法计算各超像素属于某一类的概率并计算其颜色的空间紧密性后，提出优化的边界连接性度量方式，并将其融入到先验概率与类条件概率的计算中，较之现有的同类方法，其准确性有着明显的提高。接着以改进的基于贝叶斯框架的显著图为基础，通过非极大值抑制采样策略，以边界框的形式给出目标建议。在具有挑战性的PASCAL VOC2007数据集上的实验结果表明，对于前1000个建议性窗口，该方法检测率高达93.4％。　　4.提出了两种基于图像显著性的路面裂缝自动检测方法。第一种方法为基于贝叶斯框架下多重显著性线索的路面裂缝检测方法。该方法将灰度直方图的统计结果和频域调谐显著性模型相结合，从成分复杂、覆盖面广的多种噪声中初步筛选出潜在裂缝区域;再通过贝叶斯框架下的双窗口邻域扩张方式，有效地模拟裂缝的生长过程，自适应闽值分割后提取裂缝。　　第二种方法是改进的基于显著性的纹理各向异性的路面裂缝检测方法。针对传统的基于单一特征的裂缝检测方法在复杂环境下检测率低下的不足，该方法提出采用基于多尺度局部对比度和稀少性的显著性思想刻画裂缝特征，再根据裂缝纹理的不均匀性和裂缝不规则的空间延续性，提出一种新颖的纹理各向异性度量方式，高效削弱各种噪声与伪裂缝的干扰。接着引入格式塔理论进一步突出裂缝。　　在收集的各类裂缝图像数据集上的实验结果表明这两种方法的抗噪性能好，鲁棒性强;裂缝提取的准确性、完整性要优于多种常用传统算法。特别是在情况复杂、噪声干扰严重的裂缝数据集上，这两种方法的F-measure高达0.87和0.88;并且误检率极低，分别为0.95％和0.41％。