交通驾驶场景是一个立体多元、信息瞬息变化的复杂场景,视觉选择性注意是视觉系统抽提关键场景信息和过滤冗余信息的重要神经机制。近年来,随着智能驾驶车辆逐渐成为当今人工智能时代的一项重要应用研究,交通驾驶场景中驾驶员的视觉注意机制及其计算模型也正成为当前智能驾驶车辆的研究热点。因此,通过视觉注意的相关机理及显著性检测模型去理解和预测交通驾驶场景中与驾驶任务有关的信息,将对未来的智能驾驶车辆、驾驶训练和辅助驾驶系统等提供有用的理论依据和视觉感知相关技术手段。本论文通过模拟视觉注意的相关机制,设计视觉认知心理学眼动实验,深入地研究了静态、动态驾驶场景中驾驶员的注意机制及眼动特性。本论文建立了静态、动态交通驾驶眼动数据库,并开发了相应的显著性检测模型,可准确地预测驾驶员在模拟驾驶过程中所关注的主要和次要区域。论文主要分为以下四部分工作:在第一部分(第二章)中,本论文研究了静态驾驶场景中的视觉注意问题。本论文基于自底向上和自顶向下视觉注意机制,针对静态交通驾驶场景设计了认知心理学眼动实验,采集了20名非驾驶员(自由观看)和20名驾驶员(模拟驾驶任务)的眼动数据,系统地分析了两组被试的眼动特性差异。数据分析结果显示驾驶员搜索和提取驾驶任务相关的重要目标速度更快,注意力更加集中,并证明了受驾驶任务驱动的自顶向下注意能够更有效地提取和处理驾驶信息。此外,本论文建立了包含两种注意模式的静态驾驶场景眼动数据库,可为显著性检测模型提供实验数据支持。在第二部分(第三章)中,本论文建立了基于自顶向下的显著性检测模型框架。基于认知心理学眼动实验分析结果,本论文探讨了驾驶场景中受驾驶任务驱动的图像特征信息,创新性地将道路消失点作为高级认知信息,并与传统的自底向上显著性模型线性结合,建立了一种基于自顶向下注意机制的显著性检测模型框架。实验结果显示,本论文提出的计算框架能够有效地提高传统显著性检测模型预测驾驶员注视位置的性能。在第三部分(第四章)中,本论文提出了一种基于传统机器学习的静态驾驶场景显著性检测模型。本论文进一步分析了静态驾驶场景中与驾驶相关的图像特征,将颜色、亮度、朝向、多种自底向上显著性模型结果图作为交通图像的低级(Low-level)图像特征,同时将道路消失点和图像中央偏置信息作为高级(Highlevel)图像特征,以此模拟自底向上和自顶向下的注意机制。基于传统机器学习方法中的随机森林原理,本论文整合了驾驶图像中的低级和高级图像特征信息,建立了静态驾驶场景显著性检测模型。实验结果证明,本论文提出的模型能够准确地预测驾驶员的主要注视位置和次要目标,其预测能力明显优于目前经典的显著性检测模型(如GBVS,SR,AIM,SUN,Itti等)。在第四部分(第五章)中,本论文进一步研究了动态驾驶场景中的注意机制及显著性检测模型。针对实时变化的动态交通驾驶场景,本论文同样设计了认知心理学眼动实验,共收集了16段交通驾驶视频,记录了28名驾驶员在模拟驾驶任务下观看驾驶视频时的眼动数据。本论文重点分析了动态驾驶场景中的自顶向下注意机制,建立了眼动数据库。此外,本论文基于深度学习方法,建立了一个简单、有效的卷积神经网络:卷积-反卷积神经网络(CDNN),提出了一种视频显著性检测模型。本论文提出的模型整合了外源视觉刺激信息(自底向上,如与当前驾驶行为相关的关键交通标识、行人、车辆等)和驾驶员的内源注意信息(自顶向下),并能快速、准确地预测驾驶员所注视的主要区域和与当前驾驶行为相关的次要目标。本论文基于视觉注意机制,采用自顶向下框架、传统机器学习方法、深度学习方法提出的驾驶场景显著性检测模型,可从视觉感知角度为未来更完善的智能驾驶车辆提供相关技术支持。此外,本论文建立的静态、动态驾驶场景眼动数据库,可为交通驾驶场景中的视觉注意机制和计算模型研究提供实验材料数据。