复杂场景视频中显著目标人物的检测是目前信息技术的新兴研究方向,随着计算机科学及人工智能的高速发展,得到了广泛的关注。变电站检修、电网营业厅工作人员行为规范、火车站进站乘客身份核验、机器人自主行走等领域都需要快速准确的识别出场景中的显著目标人物,以便在后续的显著目标人物的跟踪、分割、动作识别等任务中将资源尽可能的分配给显著目标人物,实现对资源的最有效的利用。现有的视频显著目标人物的检测网络大部分是基于深度学习技术,主要采用光流法或LSTM（Long Short Term Mermory network）算法融合视频帧之间的时空特征,存在着对数据集要求高、检测精度和检测效率之间不平衡、显著性目标人物检测有效性低等问题。本文以人物视察、交流、演讲、开会、参观以及户内、户外运动等高清视频为研究素材,以视频中的显著目标人物为研究对象,通过理论研究和实验研究的手段来确定视频中的显著目标人物。本文致力于更深入彻底地研究视频显著目标人物的检测问题,力求提升显著目标人物检测的有效性、准确性与泛化能力。首先,针对视频中的人物,本文提出了一种基于快慢网络的记忆增强型全局-局部整合的视频人物检测算法——SF-MEGA（Fast and Slow network-based Memory-enhanced Global-local Integration Video Person Detection Algorithm）,用以确定视频中的人物,排除人物之外的其他对象的干扰。该方法融合了视频的全局语义信息以及局部位置信息,并且采用长范围记忆模块来充分利用视频的全部时序信息。另外,本文所提出的方法模拟了人类的视觉暂留效应,设计的网络为快速网络和慢速网络按照一定的比例结合,快速网络提取当前帧的要点特征,慢速网络提取当前帧的详细特征,以此减少视频帧的冗余信息,极大的提高网络的检测速度。通过对比实验验证,在本文提出的数据集上对SF-MEGA及其他目标检测方法采用定性和定量的评估方法,验证了SF-MEGA对本文研究对象的有效性。其次,针对单一目标检测算法只能确定视频中的人物位置,无法提取人物之间的关系、显著目标人物区别于其他人物的特征等,也就无法确定视频中的显著目标人物的缺点,本文采用基于残差连接及GCNet（Global Context block）增强的视频显著目标检测网络——RGNet（Video Salient Object Detection Network Based on Residual Connection and GCNet Enhancement）,对视频中的显著目标进行检测。本文提出的显著性检测包含了三个模块:具有残差连接的显著性优化网络、基于GCNet的递归增强模块以及以光流为导向的伪标签生成模块。首先,连续的视频帧以及标注的帧送入具有残差连接的显著性优化网络提取图片的空间特征,并且给出显著性检测结果。然后,本文在网络中增加了DB-Conv GRU（Deeper Bidirectional Convolutional Gated Recurrent Unit）模块,用以增强特征表示的时空关联,提取视频帧的时空一致性信息。并且在DB-Conv GRU网络中增加了GCNet自注意模块,将注意力机制引入到DB-Conv GRU网络中,提高时空特征预测的有效性,使网络自适应学习视频帧中重要的显著性信息。最后,本文设计了一个以光流为导向的伪标签生成模块,用以从稀疏标记的视频帧之中获取伪标签,这样可以降低对训练数据集的要求,减少对数据集的标注难度。本文所提方法在VSPD（Video Salient Person Detection）视频的数据集进行了测试,本文模型的平均绝对误差比BASNet、U-2-Net以及F3Net分别低12.50%、18.33%和7.53%,频率调整的显著性区域检测指标(Fρmax-)分别高5.69%、4.11%和4.12%。测试结果表明,本文提出的方法提高了视频显著性检测精度,并且具有较强的鲁棒性。最后,本文根据以上两种算法的特征,将以上两种特征进行融合,完成视频中显著目标人物的检测任务。实验结果表明,本文提出的多元特征融合算法可以有效地检测出视频中的显著目标人物,并且本文的算法在复杂场景下,能够快速准确地完成视频显著目标人物的检测任务。