随着5G技术的应用,VR视频行业将重新迎来井喷式的发展。而全景视频作为VR视频的一种展示形式,为用户带来了升级的观看体验。然而由于人眼的视野局限性,用户在某个时刻只能观看到全景视频的某个视角范围（Field-of-View,FoV）,并不能立即充分享受全景视频丰富的内容信息,有可能会错过视频中重要的场景内容。通过自动捕获视频中用户最感兴趣的内容并引导用户以正常视角（Normal Field-of-View,NFoV）观看,来实现虚拟摄影功能,可以有效解决全景视频的这一问题。本文设计并实现了一个全景视频的虚拟摄影系统,主要工作如下:针对准确地捕获用户最感兴趣的视频内容,提出了一种基于深度学习的全景视频显著性检测网络,通过编解码结构将输入的全景视频转换为显著得分图。它通过立方体数据填充映射解决了等角矩形平面下全景视频的边界拉伸和图像失真问题,利用多尺度特征提取方法和基于注意力机制的特征融合策略获得有效的时空特征信息,并结合解码模型来完成对每一帧的显著得分图的预测。模型在公开数据集上相比现有模型取得了更好的准确度,验证了模型的有效性。针对虚拟摄影视频的观看引导,提出了一种基于内容感知的NFoV窗口路径规划算法,基于显著性检测模型,结合光流估计,实现对视频显著区域的有效内容感知。该算法首先找出一条针对最显著区域的最佳观看路径,然后在此基础上计算出一条能更有效显示最显著对象及周围环境的FoV窗口感知路径,最后通过路径平滑处理生成平滑稳定的NFoV虚拟摄影视频,以帮助用户舒适地观看全景视频。与AutoCam等算法的对比分析,验证了该算法的性能优势。实际测试结果表明,本文的实现系统能够生成平滑稳定的NFoV虚拟摄影视频,帮助用户获得更好的全景视频观看体验。