相较于二维图像和视频,立体图像和视频由于携带了深度信息,能为用户提供了身临其境的现实感和更丰富的场景信息。但碍于当前立体显示设备和立体内容制作的技术局限,用户在观看立体图像/视频时常伴有视觉不适感,这种不佳的观看体验严重阻碍了立体多媒体服务的普及。因此,为了提升立体图像/视频的观看舒适度并保护人类视觉系统的安全健康,须先对立体图像/视频的感知不舒适度进行预测。由于开展立体视觉主观评价需要专业的实验环境和设备,要消耗大量人力物力,因此需开发一种面向立体图像或立体视频的感知不舒适度预测客观模型,来客观评价立体感知的不舒适度。基于上述研究背景,本学位论文分别从立体内容的特征信息出发,围绕立体视觉不舒适度的客观预测模型展开,对特征提取和回归模型进行了分析研究,进而提升了立体视觉不舒适性的预测精度。总体而言,主要工作贡献如下:·提出一种采用极端梯度提升树回归模型进行多域特征融合的立体图像不舒适度预测模型。该模型从立体图像的视差信息出发,提取高视差均值和低视差均值等6种视差分布特征;结合人脑中颞区（medial temporal,MT）视觉皮层的神经元响应特性,提取3种立体视觉神经活动特征;根据彩色图的色彩分量信息提取了影响立体视觉舒适度的3种颜色特征。本模型采用机器学习中的极端梯度提升树回归模型（e Xtreme Gradient Boosting tree,XGBoost）来模仿视觉处理过程,将上述三类特征进行特征融合后输出立体图像的不舒适度预测值。在不同的立体图像数据库上的实验结果表明,本文提出模型的预测性能优于当前基于特征提取的立体图像不舒适度预测算法。在IEEE-SA立体图像数据库上皮尔逊线性相关系数、斯皮尔曼等级相关系数和均方根误差的实验结果分别达到0.8805,0.8044和0.3809。·提出了一种基于Gabor变换的多特征立体视频不舒适度预测模型。首先通过设置Gabor滤波器的不同频率和方向从变换域中提取了彩色帧多尺度的复杂纹理信息,然后从光流法获取视差帧中提取视差统计分布特征,并根据视频帧的帧间信息提取水平运动、垂直运动和深度运动特征,将提取好的多类特征通过XGBoost机器学习训练器以获取立体视频不舒适度分数。在不同的立体视频不舒适度评价数据库上的实验结果表明,该模型的预测性能优于当前已有的立体视频不舒适度预测算法,其中在EPFL立体视频数据库上皮尔逊线性相关系数、斯皮尔曼等级相关系数和均方根误差的实验结果分别达到0.9569,0.9570和6.1885。