视频是当今社交媒体中最常见的内容之一,近年来随着短视频平台的兴起,日常视频数据的生成量呈现出爆炸式增长的趋势,这给计算机视觉系统提出了更高的信息处理要求。而对于人类视觉系统而言,实时高效地处理视觉信息是其与生俱来的能力,原因在于该系统存在一种注意机制,这种机制可以从人眼获取的大量视觉信息中筛选出最主要的一部分并将其分配给大脑优先处理,从而实现从视觉感知到理解的高速响应。视觉显著性预测则是通过计算机技术模拟人类视觉系统的这种注意机制来达到高效处理大量视觉信息的效果,具体到处理数字图像和视频的任务上,即为检测出图像或视频帧中最引人注目的区域,生成显著性图或序列。目前,图像显著性预测已发展得相当成熟,特别是深度学习技术的高速发展更是为其带来巨大的性能提升。相比而言,视频显著性预测的研究起步较晚,且由于视频存在目标运动、场景转换、计算复杂度高等特性,使得视频显著性预测更具挑战性。实际地,在对视频显著性建模时往往需要额外获取视频数据的时间特征,如何增强时间特征的鲁棒性并有机地进行时空特征融合?这仍需进一步探索。本文的研究即着眼于这一颇具挑战性的问题,通过结合前沿深度学习技术的应用来探讨视频显著性预测性能进一步提升的可能性和实践性,主要包括两个创新点:1)提出一种局部与长期时空特征增强网络（STE-Net）,该网络能够通过获取多尺度的空间特征来弥补现有视频显著性预测模型未考虑局部时空显著性的缺陷,并引入注意力机制来解决部分模型应用长短期记忆模型时存在的记忆压缩问题,同时将空间和时间特征以一种非线性的方式进行融合以充分挖掘两者的上下文相关性;2)提出一种帧间相关性与语义线索精炼网络（STA3D）,充分利用了三维卷积神经网络在提取视频数据特征方面的优势,并针对现有基于简单三维卷积神经网络的视频显著性预测模型的不足,加入注意力引导来解决其存在的帧间信息学习不充分、空间特征优化不精确等问题。STE-Net是基于二维卷积神经网络的模型,STA3D是基于三维卷积神经网络的模型,相比之下,后者在学习视频数据的时空特征上呈现出递进式的改良。最后,本文在DHF1K、Hollywood2-actions、UCF-sports三个数据集上进行了大量的实验,并通过归一化扫描路径显著性（NSS）、线性相关系数（CC）、相似性测度（SIM）以及两种AUC变体（AUC-J和s-AUC）等评价指标进行评测,充分验证了上述两种网络模型的有效性和高效性。