视频显著性检测模型可以快速的定位视频显著性区域,提高计算资源的分配效率。随着视频硬件设备的发展和软件技术的提升,视频显著性检测研究的重要性和迫切性日益凸显。本文通过对基于3D卷积神经网络的视频人眼注视点检测模型进行研究,对模型中的解码网络进行改进并加入通道注意力机制,达到减轻模型体积和提升视频显著性检测模型性能的效果。本文主要研究内容如下。首先,针对TASEDNet视频显著性检测模型体积较大的问题,提出一种基于PAT模块和多尺度特征融合网络的PTASEDNet视频显著性检测模型。通过对基于3D卷积神经网络的TASEDNet视频显著性检测模型的研究与分析,发现由于原模型中由上池化层和转置卷积层对编码信息进行解码,使得视频显著性检测模型体积较大且存在棋盘效应。PTASEDNet视频显著性检测模型中PAT模块采用三线性插值算法进行上采样减轻模型体积,通过多尺度特征融合网络结合上下文信息增强不同特征之间的联系,消除棋盘效应对检测结果的干扰。其次,针对检测结果相似性和相关性不高的问题,提出一种基于视频预处理模块和通道注意力网络的CPTASEDNet视频显著性检测模型。通过对视频显著性检测模型预处理阶段和检测阶段进行研究,发现PTASEDNet视频显著性检测模型输入视频帧存在噪声且模型在解码阶段对所有通道进行统一卷积。CPTASEDNet视频显著性检测模型中预处理模块采用高斯平滑滤波进行卷积消除输入视频帧噪声,并通过基于V-SE算法的通道注意力网络对不同通道特征进行区分,提升具有显著特征的通道权重,提升检测结果的相似性和相关性。最后,本文采用DHF1K数据集和UCFSport数据集对CPTASEDNet视频显著性检测模型与TASEDNet视频显著性检测模型进行实验分析。实验结果证明本文所提出基于TASEDNet的CPTASEDNet轻量化视频显著性检测模型在定量和定性指标上较原模型有所提升,实现对视频显著性目标的有效检出。