人类视觉系统能将有限的计算和存储资源优先分配给场景中少数的显著或感兴趣区域,从而很好地解决了视觉信息处理中的“瓶颈问题”,这种特异性称为视觉系统的注意机制。如果能将这种机制引入图像分析或机器视觉领域,将极大地提升图像及视频信息的处理效率。因此,近些年来视觉注意机制建模受到了极大的重视,吸引了大批研究人员致力于该方向的研究,并取得一些可喜的进展。视觉注意机制建模的关键是解决注意焦点的确定及视线转移轨迹规划这两个难题。目前,有关注意焦点确定方面的研究成果较多,而有关注意焦点转移轨迹规划方面的研究成果较少。遗憾的是上述两个难题至今尚没有很好地解决方案。因此,本文在上述两方面均做了一些新的尝试,具体的工作如下:首先,提出了基于关键点检测的显著图生成方法,并结合图像分割确定视觉注意焦点位置。由于尺度空间关键点表征该点局部范围存在某一重要的图像信息,因此本文提出了利用关键点尺度及位置信息生成显著图方法。测试结果表明,图像局部显著度结果与视觉感知结果较好地吻合。与其它方法不同的是本文方法还增加了区域分割环节,这种处理的最大好处是能有效地确定注意焦点的个数,同时使注意焦点之间保持一定的距离,尽量避免同一物体或一个区域被多次注意,从而达到在尽可能少的注意焦点个数条件下搜寻出更多的图像信息。其次,提出了基于图论优化的注意焦点转移轨迹规划方法。本文方法巧妙地将注意焦点转移轨迹规划问题转化为哈密尔顿(Hamilton)路径寻优问题来解决,使得规划轨迹能较好地遵循人眼注意焦点转移规律。其中为了较好地调和“降序性”和“邻近优先性”这两条存在冲突的视线转移原则,本文创新地提出了连接损失代价这一新的优化指标。测试结果表明,该方法性能明显优于目前被广泛采用的“胜者为王”神经网络方法。