视觉注意力是人类视觉系统的一种重要机制,用于选择性处理视觉信息的最重要部分而忽略其他部分。图像显著性预测就是用来模拟这种机制的算法,因此是图像处理/计算机视觉领域常见的预处理技术,广泛地应用于物体检测和识别、图像质量评价和视频编码等领域。本论文对2D/3D图像显著性预测算法进行了研究,主要的研究成果如下:首先,提出了一种基于感知的2D图像显著性预测算法。该算法包括显著性估计、显著性激活和显著性融合三个阶段。首先,我们提出基于方向选择性的局部特征和基于视觉灵敏度的全局特征,联合估计候选的显著区域。然后,我们引入了一个基于视觉错误敏感度的算子,从局部和全局的角度激活显著图中有意义的显著区域。此外,我们设计了一个基于自由能量准则的自适应融合方法,自适应地为不同图像的多个特征通道分配权重。最后,融合每个图像通道的子显著图得到最终的显著图。在各种自然的和情感的数据集上,实验结果证明了所提出算法优于目前主流的算法。其次,提出了一种基于自注意生成对抗网络的RGB-D显著性预测算法。首先,我们通过长程依赖建模和对抗训练从RGB和深度图像中提取多样的特征。进一步,我们设计了选择性融合模块和先验初始化技术高效地学习RGB-D图像中模态内的和跨模态的显著性线索。选择性融合模块可自适应地选择并融合不同层的不同模态的特征。而先验初始化技术,通过重用基于RGB的先验权重,减轻卷积神经网络对有标注RGB-D数据的巨大需求并加速模型训练的收敛。在2D和3D数据集上与主流的算法相比,实验结果证明了所提出算法的优越性。