交通场景中的视觉注意预测是帮助理解人类视觉认知过程和设计智能辅助驾驶系统的重要途径。这在自动驾驶、目标搜索等任务中具有重要作用。然而对于夜间交通场景来说,更复杂的光照问题让视觉注意预测面临巨大的挑战。即使对于日间交通场景表现优秀的深度学习类方法,不同光照情况下的鲁棒性也尚未解决,如白天场景到夜间场景。高效的注意分配对于人类视觉系统来说似乎毫不费力,但对计算机来说却如此困难。对此,视觉神经科学领域已有研究证明场景引导对于人类视觉注意分布的重要作用,而目前的注意预测方法大多为局部底层信息或表面纹理,难以应对内容复杂但结构简单的夜间交通场景。本文通过提取稳定的交通场景结构,再结合眼动实验形成基于场景结构的注意先验,通过场景先验引导局部信息提取,实现跨光照状况稳定的高性能夜间交通场景注意预测。本文基于场景结构信息对视觉注意的引导机制、视觉注意路径对注意分布的影响等研究,建立了基于场景结构分析的计算模型用于提高夜间交通场景显著性计算性能。本文主要研究内容包括以下两个部分:（1）研究注视点转移路径与注视点分布关系,并以此建立模型提升视觉注意预测性能。本文首先设计实验采集眼动数据建立夜间交通场景下的无任务眼动数据集。然后,统计分析了人眼在观察和分析场景时,注视点的转移策略,以及转移路径与注意分布的关系。建立模型模拟注视点转移过程,根据注视点转移路径,建立模型优化现有视觉注意预测模型的性能,使之更加符合真实人类视觉系统注意分布。实验证明,基于注视点转移路径的注意增强模型对于自底向上类注意预测算法有明显提升作用。（2）研究交通场景结构与注视点分布关系,并基于视觉引导机制,建立交通场景结构引导下的视觉注意预测模型。本文首先通过统计分析无任务眼动数据集,研究夜间交通场景下场景结构与注意分布的关系。然后,对于光照不足、图像细节损失严重的夜间交通图像,利用简易方法提取的边缘,准确地构建出基于消失点和道路边缘的交通场景结构。最后,结合眼动数据的先验信息与场景结构,即可得到基于场景结构的先验信息,再采用机器学习方法融合图像底层信息,便构建了一种基于场景结构的注意预测模型。实验证明,面对交通场景中复杂多变的情形（如日夜转换）,基于场景结构的算法都能保持良好的稳定性。