计算机视觉的目标是正确的理解给定图像或者视频的内容,为此,首先需要确定图像主要目标的位置,这个问题就是图像显著性方向所研究的内容。图像显著性的研究最初通过简单的滤波以及方向颜色等特对人类注视进行模拟,这类利用传统手工特征进行显著性检测的方法已经在公开数据集上取得了较好的成绩。随着深度学习的发展,尤其是深度学习在各类图像识别比赛中逐渐超过人类识别分辨率,深度学习模型提取的大量特征被广泛的利用在包括图像显著性方向的计算机视觉领域。同时,当前立体视觉多媒体设备呈不断增长的趋势,针对立体图像的算法也不断被开发,立体视觉显著性检测作为一个基础的算法处理步骤,也受到了更多的关注。当前已经提出了部分立体视觉显著性检测算法,但仍然存在很多的问题。比如,这些显著性检测方法无法平衡各种特征,检测速度过慢,另外在深度信息的利用上研究还处于起步阶段。针对这些问题,本文尝试利用更为综合、统一的方法检测显著性。在算法设计时尽量使深度信息与颜色信息作为一个整体进行处理,充分利用各个通道之间的关联关系。另外,本文建立了多个端到端的立体视觉深度学习模型,这些模型利用了图像分类的深度学习模型权重作为预训练权重,保证了显著性检测时可以获得充分的图像特征。本文提出的四个模型在多个立体视觉显著性公开数据集中进行了测试,测试结果显示提出的双通道深度学习模型以及编码译码网络模型在CC以及KLDiv指标上超过现有算法0.1以上,其他指标也优于现有方法。提出的四元数频域手工特征方法,在各项评价指标上超过了现有的手工特征方法。而参数共享深度学习模型在KLdiv指标上优于现有算法0.1以上,在CC以及KLDiv指标上同样优于现有算法,仅在NUS数据库中的AUC评价指标上相较最适应方法相差0.055,在NCTU数据库中该指标差距在0.003以内。