音频信号作为重要的多媒体信息载体,包含着众多的信息要素,但人脑注意力资源却相对有限,人耳生理学研究表明人脑对所接受的音频信号具有关注聚焦特性,对音频信号会进行过滤并对其中的高关注区域赋予更多的注意力资源。人耳听觉关注机制包含随意和非随意两种感知过程,非随意感知基于自身先验知识会在特定场景下对特定音频信号进行有目的关注,而随意感知一般由环境直接引起,其引起感知的事件往往对于所有人具有普适性。了解人耳听觉感知机制并模拟人耳听觉系统对音频信号的整个关注过程,在目前音频关注度科研和众多音频工程运用领域具有重要的实践意义,特别是对随意听觉感知过程的模拟能够大大降低后续音频信号处理的复杂性,这对于音频监控、视频摘要和人工智能等重要音视频处理领域具有一定价值。音频关注度作为衡量人耳对音频信号的关注情况,其计算方法有自下而上和自上而下两类,自上而下方法依赖人的先验知识,而自下而上通过模拟随意感知过程进行建模,是一种快速检测方法,目前更适用于工程应用。当前主流的自下而上的关注度计算方法大都利用图像显著性相关算法对音频信号语谱图进行处理得到最终关注度值。但是音频信号和图像关注机制存在区别,图像关注是基于空间区域进行,通过对比一定范围内图像特征来模拟人类视觉系统的关注机制从而得出某个特征下关注区域,这往往忽略了音频关注事件时间维度的特性,音频信号关注在时间维度上往往具有持续性和衰减性特征,持续性特征表明人耳听觉关注往往是一个持续性的过程,同时随着时间流逝人耳的关注往往会出现衰减特性。针对上述音频关注度建模中存在问题,本文主要的工作和创新如下:(1)首先阐述人耳生理学特点及其关注机制,分析了人耳特定结构对于音频信号的预处理效果,针对预处理过程,本文利用Gammatone滤波器以及Meddis数学模型模拟人耳相关器官进行听觉外周处理。(2)听觉外周处理之后,通过图像通道和音频通道分别进行关注度值计算,得到能够反映音频关注度情况的局部熵值。双通道关注度计算模型一定程度上能够综合考虑图像和音频信号特征,能够进一步提升算法精度。(3)针对双通道熵值进行融合,最终采用时间趋势相关算法进行整个时间维度的融合,以此能够体现整个关注度在时间维度的持续性特性和衰减性特性。对于本文基于双通道局部熵和时间趋势的音频关注度计算方法的实验结果进行综合分析,实验结果表明相对于经典关注度计算模型本文所提模型一方面具有较好的关注事件检测精度,同时能够体现音频关注过程中的持续性和衰减性特征。从特征计算复杂性方面,本文基于局部熵进行建模的方法相较于多特征的关注度计算方法具有一定优势。