人类视觉注意机制能够将有限的认知资源聚集于场景中重要的刺激,而抑制那些不重要的信息。视频显著性检测即通过计算机模拟人类视觉注意机制,从视频场景中找出最‘引人注目’的区域。由于视频显著性检测被广泛应用于目标识别、目标跟踪、人机交互等重要领域,因此,它一直是广大学者研究的热点,且有着重要的研究意义和使用价值。本文的研究工作如下,针对传统的视频显著性检测算法不能很好解决在光照和复杂背景影响下的视频显著性检测问题,本文提出了一种基于眼动注视点匹配和LDP光流法的视频显著性检测模型。在变分光流算法中引入基于眼动注视点信息匹配的LDP特征,有效地减少了光照对动态特征的影响。然后将改进的光流动态特征与颜色、直方图、纹理等静态特征在超像素级上进行融合,最后利用多SVR回归模型得到每个测试序列超像素块的显著值。实验结果表明该方法能够较好的检测到视频中的显著目标。对于视频中尺寸较小、运动速度快的目标,上述方法不能提取足够多的正样本用于SVR模型的训练。基于这个问题,本文提出了一种基于贝叶斯模型的空时显著区域检测方法。该方法首先分别建立基于眼动注视点信息的静态和动态目标边界概率显著图,然后利用改进的贝叶斯模型对静态显著图和动态显著图进行融合,得到视频序列显著区域,实验结果表明该方法对小尺寸快速运动的目标有较好检测效果。对于复杂场景视频,本文首先建立复杂场景的眼动信息数据库,根据眼动注视点提取颜色、纹理、方向等视觉特征作为静态特征,并添加光流动态特征。然后利用集成学习的方法对样本进行训练,并进行显著性检测。实验结果表明该算法能够有效地检测复杂场景中的显著性区域。