随着虚拟现实应用的发展,理解人类如何在沉浸式虚拟环境进行视觉探索有着重要的价值。虚拟现实环境中的全景图显著性预测是计算机视觉领域一个重要的研究方向,它不仅能帮助研究人员更好地理解人类在虚拟环境中的视觉行为,还能广泛应用于众多领域,如设计虚拟场景内容,发展新的压缩算法等。当前的显著性模型在预测虚拟环境中的全景图显著性时,其预测的全局显著性和局部显著性与真实标注的显著性的差别较大。另外,全景图显著性模型在训练时也未能对立方体投影生成的多张直线映射图进行语义信息整合。针对以上两个问题,本文做了以下两方面研究:（1）已有的显著性模型在预测全景图显著性时,全局显著性往往只能粗略地分布于等矩形图像赤道附近的区域,而局部显著性则容易出现较多冗余信息,因此本文提出了一个全局-局部双岔深度网络的全景图显著性模型。该模型的网络分成两个深度子网络,分别用于预测全局和局部显著图。在全局深度子网络中,利用多个多尺度上下文模块和一个多层解码器来整合网络中高层的特征,从而提取等矩形图像的上下文特征;而局部深度子网络仅包含一个多尺度上下文模块和单层解码器,从而减少局部显著图的冗余信息。最后,利用线性组合方法融合全局和局部显著图,并生成最终的融合显著图。在两个基准数据集进行测试中表明该模型能够有效减少全景图冗余的显著性信息。（2）利用立方体投影可将全景图分成多张扭曲性较小且具有语义关联性的直线映射图。然而,常用的全景图显著性模型在训练时只是将直线映射图独立地输入到网络,而未能整合多张图像的语义信息,导致模型未能有效地预测全景图各个区域的显著性。针对这个问题,本文提出了一个新的基于图卷积网络的全景图显著性模型。该模型利用图内全局推理模块,把单张直线映射图不同区域的全局特征映射到相应的图节点上,通过图卷积网络分别在节点和通道方向提取图的上下文特征,从而更精细地预测全景图局部区域的显著性。同时,利用图间全局推理模块整合多张直线映射图的语义信息来提取全景图的全局特征。此外,在模型测试阶段,还利用多球体旋转投影和反投影方法将等矩形图像不同区域的事物转移到扭曲性较小的赤道附近,从而有效地预测全景图各个区域的显著性。实验表明提出的模型在四个显著性评估指标中都有不同程度的提升。