鹰在高空飞行中能从复杂的自然背景中敏锐地捕获、跟踪地面奔跑的猎物。动物视觉系统在感知和捕获目标时,非常迅捷和准确。动物强大的视觉功能一直吸引着广大工作者对其视神经信息处理系统进行研究。本课题来源项目<<基于视觉感知的运动目标自动跟踪理论与技术>>就是通过模拟动物视觉功能,提取目标的空间特征和运动特征,融合空间和运动特征形成空时显著图,来自动检测与跟踪运动目标。作为该基金项目一部分,本文尝试从模型改进、规格化方法和融合方法三个方面着手,研究目标的空间特征提取,改进兴趣图的生成效果,初步实现目标检测功能。本文首先分析视觉注意模型的研究现状,讨论人类感知系统的结构与特点,对目前广泛应用的、自底向上的Itti视觉感知模型进行重点研究。针对Itti模型在强背景与噪声的干扰下,不能注意到所有的物体,甚至不能注意到任何物体的不足,本文在Itti模型中加入轮廓特征提取,建立了改进模型,并通过实验验证该改进模型能较大程度提升兴趣图描述目标区域的准确性。在介绍了模型框架后,本文分析了模型计算过程涉及到的特征图规格化方法——全局加强和局部迭代规格化法。通过对两者的实验比较得出局部迭代规格化生成的兴趣图更满足稀疏分布,背景和噪声被有效抑制,更符合人眼的视觉特性。鉴于均值融合没有考虑各个特征图的优先级,使生成的兴趣图不能有效地抑制背景和噪声的缺点,本文提出了预量机制动态法。它根据各特征图对兴趣图的贡献程度动态分配权值来生成兴趣图,并通过实验证实了预量机制动态融合比均值融合更能准确地表达兴趣图。