针对锅炉和工业生产中产生的大量炉内火焰图像的特征提取问题,提出一种分层自适应显著点提取方法。首先利用块逆概率差模型将原图像转换为块逆概率差(BDIP)图像。在此基础上,将得到的BDIP图像进行Haar小波变换,利用改进的加权方法计算出二维图像的显著值,然后通过提出的自适应的方法构建一棵非平衡四叉树,树的根节点代表整幅图像的显著值,根据每棵子树的显著值占父节点显著值的比例确定子树的显著点数目。该算法与基于BDIP的和基于Haar小波变换的显著点提取算法对比,实验结果表明,边缘准确率和综合特征检索精度都至少提高了10%和3.5%。结果说明,该算法不仅克服了传统显著点提取时数目过多以及提取点不显著的缺点,同时还避免了显著点的局部聚集。