目前,相较于正常人类视觉系统,视觉假体诱发的视觉感知造成大量视觉特征信息的丢失,严重影响假体植入者对生活场景的感知能力。此外,随着视觉假体系统功能的完善,对其硬件处理平台的性能提出了挑战。为了更好的解决上述问题,本文基于计算机视觉、微电子科学以及视觉认知科学,开展了基于视觉假体的视觉图像信息处理以及硬件系统集成的研究。论文的主要创新性工作如下:针对视觉假体诱发的视觉感知分辨率低以及特征信息缺乏等问题,本文提出一种基于人工特征的高效显著目标检测算法。该算法通过联合最短测地距离和流形排序技术,充分利用场景图模型中超像素的关联关系,实现自然场景中显著目标的检测;相较于传统显著目标检测算法,该算法同时兼顾背景和目标特征,使其能够更加高效准确地实现显著目标的检测。同时,为了提高假体植入者物体的识别能力,本文基于显著目标检测算法设计了两种仿真假体视觉下显著物体优化感知处理策略。该策略利用边缘检测和图像缩放技术,优化物体在低分辨率仿真视觉下的呈现,以此来提高假体植入者在不同场景下对物体的识别能力。针对复杂场景下传统显著目标检测算法检测准确率低的问题,本文提出一种基于深度学习技术的显著目标检测算法。在该算法中,卷积神经网络中引入空洞卷积替代传统卷积操作,使得该网络能够在不增加反卷积网络和池化操作的前提下产生高分辨率的输出。这种方式相比于传统全卷积分割网络,其参数和深度会大大减少。另外,针对该网络的输出特征,提出了一种细化方法来保持物体的空间一致性并保留物体的轮廓。该算法在复杂场景下显著物体检测性能能够达到现阶段的先进水平,同时该算法具有较小的网络参数和更快的算法处理速度。该算法的引入能够大幅提高视觉假体系统中显著物体优化处理的效率。针对仿真假体视觉下高动态场景(移动相机)中运动物体识别的研究,本文提出一种无监督运动目标分割算法。该算法通过联合空间和时间显著性提高运动目标检测精度。这种显著性联合分析能够弥补时间维度中目标检测出现的空洞,提高算法的鲁棒性。同时,空时边缘取代光流场作为运动候选区域线索,能够减少因为光流估计的遮挡和位移带来的错误。相较于传统运动目标检测算法,该算法能够更加有效的实现高动态场景下运动物体的检测与分割。同时,为了提高假体植入者对高动态场景下运动物体的识别能力,本文基于运动目标分割算法设计了两种运动物体优化呈现处理策略;该处理策略利用灰度变换和边缘检测技术,增强运动物体在低分辨率仿真视觉下的呈现。运动物体分割算法与优化处理策略的引入,显著提高了假体植入者对高动态场景下运动物体识别的能力,扩展了假体植入者的活动场景。通过开展上述研究工作,能够为视觉假体在视觉感知处理领域的研究提供新的解决方案,并为扩展假体植入者的活动范围奠定基础。