人类在复杂场景中可以快速地辨识感兴趣的区域,进而完成对场景的理解,这是由人类视觉系统存在的视觉注意机制完成的。视觉信息主要来源于接收到的图像或视频数据信息,当注视一幅图片时人眼更容易定位到刺激视觉的区域,这些区域即为显著区域。在计算机视觉任务中引入人类的视觉注意力机制,可以有效提高数据筛选效率和计算效率。视频显著区域提取是通过模拟人类的视觉注意力机制,迅速定位并提取视频图像中的感兴趣区域,并应用于其他复杂场景任务中,如视频压缩,视频分割和视频质量评价等。近些年的研究表明,深度学习技术在分类、目标检测等图像处理任务中,有着不错的性能表现,这源于深度学习的多层线性映射可以有效地区分复杂特征,并提取更适用于目标任务的特征用于后续处理。而过去传统的方法主要通过人工选取特征,选取到的特征不够匹配目标任务,这限制了当前研究进展。因此,深度学习的应用将极大推进显著区域提取的发展。通过对显著性区域提取这一课题的发展梳理和前沿技术研究,本文提出了两种基于深度学习的视频显著区域提取模型。首先提出一种由全局特征提取到细化特征提取的算法,通过双流网络实现对视频帧图像和光流图中的全局信息提取,递归卷积网络实现对输入的视频图像中的细节信息的采集。通过网络级联的方式将学习到的全局特征和细化特征融合,从而实现端到端的视频显著区域提取。其次,针对可用于神经网络训练的视频显著区域标注样本集较少的问题,采用条件生成对抗网络的原理,在已经提出的基于全局特征和细化特征融合的算法基础上,增加判别网络结构,实现对于显著性预测图和真实显著标记图的二分类任务,从而在生成网络与判别网络的对抗过程中,帮助生成网络走出过拟合并学习到更细节的内容。在本文采用的条件生成对抗式结构中,生成网络的损失函数创新性地结合了内容损失函数,计算显著性预测图与真实显著标记图的交叉熵。在对抗过程中,帮助生成网络生成与真实显著标记图差异更小,更容易被判别网络分类为真的显著性图。本文采用的是在显著性检测领域中公认的三种评价指标,准确率-召回率曲线,F-measure值和AUC分数,从定性和定量两个方面进行模型评估,先对基于CNN算法提出的网络结构垂直分析网络性能,分别对全局网络部分和优化网络的各个递归环部分的输出结果进行对比评估,融合了优化特征后网络的输出结果准确率提升了10.76%。再分析基于CGAN算法的性能,发现通过条件生成对抗网络博弈学习到的网络的性能明显好于仅仅通过交叉熵损失函数训练得到的生成网络,准确率提升了15.24%。再将本文提出的两个方法和学术界公开的六种表现良好的基准方法对比,评估模型的优劣,经验证本文提出的两种算法都得到良好的预测结果,其中融合全局和细节特征的算法,准确率达到86.96%,召回率达到86.72%。