人类很容易感知周围世界的三维结构,同时,人类多年来的梦想就是让计算机具有类似于人类的视觉注意特性。视觉显著性检测模拟人类视觉系统的行为,自动生成目标图像或是视频序列的显著性图,使得计算机能更加高效、智能地处理图像和视频资料。视觉显著性检测技术应用广泛,如图像/视频表示、目标检测和分类、行为分析、机器人控制等。显著性检测技术主要研究图像中最引人注意的区域和视频序列中的运动区域。现有的基于二维信息的图像显著性检测技术取得了丰富的研究成果,但是其大多数基于颜色、形状、方向、纹理和曲率等特征对比计算显著性,当图像中的目标没有表现出以上可区分的视觉特征时,通过上述方法将很难检测出显著目标。立体视觉(Stereopsis)在人类视觉系统中起着非常重要的作用。同时,深度信息在显著性分析和人眼注视点的预测方面都有着非常关键的作用。本文分别基于双目图像和双目视频,对基于深度信息的显著性检测技术进行研究。对于双目图像,分析其深度特性,给出一种基于深度选择性差异的显著性检测方法。对于双目视频,给出一种改进的基于区域间运动对比的显著性检测方法,并将其用于视频的时序显著性检测,同时,将给出的基于深度选择性差异的显著性检测方法用于视频的空间显著性检测,将时序和空间显著性检测结果融合得到视频帧最终的显著性图。最后给出了双目视频的显著性检测系统。本文主要工作如下:1)给出了一种基于深度选择性差异的图像显著性检测方法。针对基于深度信息的显著性检测,充分挖掘深度信息自身的特性,分别计算其全局选择性差异和局部选择性差异,并将计算得到的全局和局部选择性差异值融合得到显著性图。最后,通过实验对比分析显著性检测方法的有效性。2)给出了一种改进的基于区域间运动对比的显著性检测方法。在详细分析基于区域间运动对比的显著性检测方法的基础上,针对其无法有效检测目标区域的问题,对其区域显著性计算过程进行了深入分析,并给出了一种改进的基于区域间运动对比的显著性检测方法。3)给出了一种面向双目视频的显著目标检测模型。首先,采用改进的基于区域间运动对比的显著性检测方法对视频进行时序显著性检测;然后,采用基于深度选择性差异的显著性检测方法对双目视频进行空间显著性检测;最后,将检测到的时序和空间显著性图融合得到视频帧最终的显著性图。最后,通过实验验证该显著目标检测模型的有效性。4)在上述工作的基础上,设计并实现了面向双目视频的显著性检测系统。首先,介绍了双目视频的显著性检测系统的系统设计;然后,基于系统设计给出了系统功能介绍;最后,对该系统的实验结果进行了评估。