随着视频数据的爆炸式增长,在保证主要信息的前提下简化信息提取过程成为了研究热点。人类的视觉注意机制不仅能够提取图像、视频等视觉媒介的重要数据信息,而且可为基于深度学习的计算机视觉问题提供解释性,故利用计算机模拟视觉注意机制的视频显著性检测算法被大量提出,但是缺少足够大且密集标注的视频数据的问题限制了视频显著性检测任务的发展。因此,本文提出了基于数据增强和图卷积网络的视频显著性检测算法,解决视频显著性检测训练数据缺失的问题并将图卷积应用于视频显著性检测领域:1.基于数据增强的视频显著性检测算法。本文基于光流预测设计了一种数据增强算法。该算法包括一个运动预测模块和光流转换模块,运动预测模块使用光流预测网络快速有效地得到单帧图像的光流图,光流转换模块通过光流图中的运动信息将单张图像转换得到下一帧视频帧。此外,为了验证所提算法的有效性,使用基于全卷积网络的基准视频显著性检测网络进行消融实验以及与其他数据增强方法的对比实验,实验结果证明本文所提的数据增强方法能够生成接近于真实运动场景的视频帧对,有效扩充了视频显著性训练样本的数量。2.基于图卷积网络的视频显著性检测算法。本文将图卷积网络应用于视频显著性检测领域,视频帧进行超像素分割,提取像素级的空间特征及时间特征,将欧式距离的视频帧数据转换成非欧式距离的全连接图数据;图卷积网络通过级联的超像素聚合模块构建局部区域,逐层提取深层次特征;图卷积网络根据时空特征,以具有相似特征的局部区域作为独立单元预测显著性,避免了固定卷积核结构的卷积操作对不同物体区域进行特征提取造成的边缘模糊,因此本文引入卷积神经网络检测结果图与图卷积网络检测结果图融合机制以得到更好的显著性检测结果。多组实验验证了所提算法在客观结果和主观结果均优于多数现有视频显著性检测算法。