随着计算机科学及其人工智能的高速发展,计算机视觉领域的研究工作迈向了一个空前火热的高潮。相比于人类视觉系统对外界信息的优秀的处理机制,计算机还远远不足以与之相比。因此,通过对人类以及动物的视觉系统的不断实验研究,计算机视觉领域的专家们在最近几十年提出了大量的计算机模型。同时,随着智能监控,智能机器人,无人机导航等飞速发展,针对图像和视频中的基于目标的分析和研究工作具有巨大的价值。本文分析研究了生物视觉注意机制的计算模型,提出了基于生物视觉机制的视频运动目标以及显著目标检测算法。本文的主要工作如下。第一,研究发现飞行昆虫由于复眼构造特殊,利用光流来控制自身的各种飞行行为,模仿飞行昆虫视觉机理的基于光流的计算机视觉算法成为当前研究热点。因此,在本文第三章中我们提出了一种改进的光流法计算视频序列中运动目标的算法。首先,我们提出了一种时空梯度定义来指导对比度计算,它可以在前景目标周围分配高的显著值,同时避免了难以克服的空洞效应。其次,我们根据运动梯度的幅度值的比较,来自适应的融合时间梯度和空间梯度信息。最后,我们在超像素的水平上计算平均光流直方图,通过超像素块间的运动信息的对比计算来提取运动目标。我们算法可以完整的从光流彩图中提取出运动目标。针对光流无法分离运动目标和背景的情况(连续帧无运动或者运动过大不满足光流基本方程)下,我们根据帧间以及帧内超像素块的运动对比也可以准确提取出运动目标。第二,生物视觉注意机制的研究在计算机视觉任务中是一个比较火热的课题。本文第四章在分析研究了视觉注意机制的两种理论模型后,受引导搜索理论的启发,提出了一个基于双通路框架的视频显著目标检测模型,模拟了视觉搜索过程中自顶向下和自底向上的视觉注意过程。该模型利用时空对比度来引导显著目标的搜寻。首先,沿着非选择性路径,利用颜色对比度和运动对比度的帧内和帧间映射,结合前一帧的显著性线索,来作为目标可能出现的空间位置的先验信息。与此同时,在选择性通路中提取亮度、颜色、运动等低层特征,实现对目标的精确搜索。最后,利用改进的贝叶斯推理模型进一步得到最优结果。实验结果表明,与典型的轮廓引导视觉搜索方法相比,该算法提高了视频中显著目标检测的性能。同时,与七个经典的视频显著目标检测模型对比,我们的算法实现了比较优秀的表现。