近年来,随着人工智能技术的不断发展,计算机视觉作为其主要应用领域,取得了长足的进步。面对图像数据的爆炸式增长,如何针对具有不同复杂度的视觉任务,进行视觉特征空间感知,完成相应的任务目标,成为计算机视觉领域中的研究热点。视觉特征空间感知被普遍应用在目标检测、语义分割、风格迁移等计算机视觉任务中,提取任务所需完备的视觉特征信息,对于计算机视觉后期任务起着重要的作用,其完成效果在一定程度上受限于特征的表征能力。因此,视觉特征空间感知的研究具有重要的理论价值。深度学习通过分层次地提取高阶抽象信息,逐层地对图像特征进行表征。这种表征方式能够有效的模拟人类视觉感知系统和神经元传递过程,构建出比传统特征感知方法更为高效的特征表示。因此,本文为解决视觉特征感知中,目标与背景特征空间的学习与映射等问题,分别针对材质视觉特征感知、显著性特征感知以及特征自适应感知三种视觉特征空间感知问题,提出相应的解决方法,具体结合深度学习展开了如下研究*:（1）针对材质视觉特征感知中目标特征空间的互映射问题,本文提出了一种基于Cycle-GAN的自然场景图像目标材质视觉特征映射算法。首先,从图像中获取能表征材质视觉重要特征的反射层图像;然后,对获取的反射层图像进行前景、背景分割,得到目标图像;最后,利用循环生成对抗网络对材质视觉特征进行无监督学习,获得对图像目标材质视觉特征空间的高阶表达,实现了自然场景图像的目标材质视觉特征映射。对比实验结果表明,所提算法能够有效地获取自然场景图像目标的材质视觉特征,并进行材质视觉特征映射,取得了较好的主、客观实验效果。（2）针对显著性特征感知中目标与背景特征的差异测量问题,本文提出了一种基于高低阶特征融合的显著性目标检测算法。首先,对底层数据驱动的低阶特征进行提取,充分发挥传统方法在显著性目标检测中的作用;然后,利用深度学习方法在特征提取过程中的优势,提取更具特征表征力的高阶特征,同时采用侧输出的方式,完成对高、低特征的融合,得到显著性目标特征空间表示;最后,在后处理过程中,对边界信息进行优化,以得到更加完整的显著性区域。对比实验表明,所提算法能够充分发挥高、低阶特征的各自优势,有效融合高、低阶特征信息;显著性目标检测精度较好。（3）针对特征自适应感知中目标与背景特征空间的自适应映射问题,本文提出了一种基于特征空间统计信息映射的显著性目标自适应隐藏算法。首先,基于上述（2）中的显著性目标检测算法,划分显著性目标与背景区域;然后,利用卷积计算,分别对显著性目标与背景区域进行编码,挖掘隐含的高阶表达,将表征背景风格特征的空间统计信息,映射到目标的特征空间中,通过特征融合的方式来弱化目标原始特征,达到特征隐藏的效果;最后,对特征映射后的目标与原始背景进行边界信息融合,实现显著性目标的自适应隐藏。实验结果表明,所提算法能够根据不同的背景环境,完成目标的自适应隐藏,具有良好的主观视觉效果。同时,经过显著性目标检测的反向验证,客观数据表明,所提算法对图像中的显著性目标,能够有效降低其显著性,使其具有较好的隐藏效果。