视频显著物体检测旨在利用计算机快速有效地从视频中获取感兴趣区域,有助于后续的目标提取或者定位等处理。视频由于摄像机抖动、光线变化、镜头突变切换和摄像机运动等因素,容易产生物体形变,模糊和无意义背景干扰等问题,这使得显著物体的检测任务面临着巨大的挑战。视频显著物体检测分为基于手工特征方法和基于深度学习的方法。基于手工特征方法采用无监督机制,准确率较基于深度学习的方法低。基于深度学习的方法大多是有监督的方法,需要大量数据标注。现有的方法中有结合手工特征和深度学习进行视频显著物体检测,但是仍然存在复杂场景中的显著物体检测精度较低的问题。针对上述问题,本文提出了一种基于深度优化的视频显著物体检测模型,在深度学习模型中融合时空一致性,能够提高对复杂场景中的显著物体检测准确度。本文主要的工作和创新点如下:通过对基于手工特征进行时空建模的研究,本文提出了时空一致性的视频显著物体检测模型,包括时空域、空域和时域三个模块,进行显著性分析,抑制背景噪声,提取共同显著的物体。在时空域中,利用全局运动信息检测出运动变化显著的区域,为了降低运动背景的干扰,利用背景加权方法与自适应融合时空梯度流场图方法得到时空变化一致的显著区域（时空显著图）;在空域中,利用局部和全局对比度检测与背景特征差异明显的区域,得到使物体边缘更加精细的空间显著图;在时域中,通过对比相邻帧间颜色和运动特征的相似性获得时间域一致显著的物体（时间显著图）。最后通过非线性融合三个模块生成的显著图获得时空一致性增强的视频显著图。针对基于手工特征的模型中物体边缘模糊和细节缺失的现象,本文构建了双通道显著物体精细化网络进一步提高显著物体的完整性和准确性。该网络分为并行的两个通道（初始特征通道和优化特征通道）,通过神经网络内嵌（Neural Network Embedding,NNE）从原始视频和视频显著图中获取像素和前景/背景特征,映射到同等度量空间以匹配最邻近的属性。初始特征通道采用VGG-16特征提取器来感知图像局部信息,为了增强特征的抽象表征能力,在初始特征通道的基础上添加特征优化模块（Feature Optimization Module,FOM）构成优化特征通道,以解决类间近似的特征映射后出现差距增大的问题。为了获得更好的分类效果,损失函数结合了双通道像素分类的输出结果,促使网络准确有效地捕获边缘清晰和细节精细的显著物体。本文在DAVIS、Segtrackv2和Vi Sal数据集上进行了定性和定量评估,实验表明,基于深度优化的时空一致性模型进一步提高了基于时空一致的模型准确性,与先进的视频显著物体检测算法相比,本文方法在复杂场景中的显著物体检测更具鲁棒性。