显著性检测通过检测出多媒体信息中的关键信息,过滤掉冗余部分的信息,从而节省了存储资源,提高数字媒体资源的利用率。目前,研究人员提出了大量有效的图像显著检测模型,而对于视频的显著性检测方面的研究较少。与图像相比,视频具有复杂的时间信息,如何有效地提取视频中的时空特征并将其融合,构建有效的视频显著检测模型,仍然是计算机视觉中的一大挑战。另外,多媒体技术的快速发展,引起了研究人员对于360度图像研究的广泛关注。针对这一特定类型的图像,如何构建有效的360度图像显著检测模型,对于沉浸式多媒体应用,具有重要意义。针对视频和360度图像,本文分别提出了两个新的显著检测模型。论文的主要创新点如下。(1)本文提出了一种基于格式塔理论的视频显著检测模型。通过提取低阶视觉特征来计算空间显著图和时间显著图,然后基于格式塔理论中的相似性法则和共同命运法则,动态自适应地融合空间显著图和时间显著图。相对于传统的线性融合空间和时间显著图的方法,本文所提出的方法能够更加准确地检测出视频中的显著区域。在三个公开的数据集上的实验结果表明本文所提出的方法的性能优于现有显著性检测算法。(2)本文提出了一种基于格式塔理论的360度图像显著性检测模型。首先,利用超像素分割算法,将图像分割成超像素块;随后,基于格式塔理论的前景-背景法则,计算超像素级别的特征对比度;将360度边界连接度的概念定义为提取背景图的背景测量,通过结合特征对比度和边界连接度来预测360度图像的最终显著图。在公开的360度图像数据库上的实验表明,该算法的性能均优于其他优秀算法。