显著性目标检测可分为图片显著性目标检测和视频显著性目标检测,传统的图像显著性目标检测使用RGB图作为输入,但单一RGB在光照不足和天气状况不好背景杂乱无章的情况下,无法有效地识别显著性目标,因此RGB图结合热度图（Thermal,T）的显著性目标检测成为该方向的研究热点。然而,以往的研究人员对于热度图和RGB图的差异性未充分考虑,对不同注意力之间关联理解不够深入,也未对不同层信息进行分类处理,导致RGB-T图像显著性检测性能未达到理想效果。另一方面,RGB-T显著性目标检测基于静态图像,而随着视频数据的大爆发,视频显著性目标检测已逐渐成为当前社会的新需求。视频的显著性算法与图片显著性算法不同,不仅要考虑空间静态信息,还要考虑时域运动信息。然而,大多数算法处理空间特征不够有效且未能充分考虑时间的视频中运动线索,所以性能尚有可提升空间。针对以上问题,本文面向RGB-T图像与视频显著性目标检测中存在的问题,分别提出了一种解决方案。主要工作如下:1、RGB-T图像显著性目标检测提出了一种RGB-T多级注意力融合模型,该模型主要由两个模块构成:多级注意力模块和分类融合模块。多级注意力模块通过串联和并联通道注意力和空间注意力,得到一个自适应的多级注意力。分类融合模块根据不同层输出的特点,高层具有丰富的语义信息,低层具有纹理信息,分别使用金字塔平均池化和金字塔最大池化获取不同的特征,最后高层指导低层进行融合得到最终的显著性目标。模型对比采用F-measure、S-measure和MAE三个评价指标,并且在三个流行数据集VT5000、VT1000和VT821上,和七个先进的RGB-T显著性检测模型结果进行对比,结果证明,多级注意力模块和分类融合模块可以对不同层次特征进行有效提取和融合。2、视频显著性目标检测提出了一种多尺度注意力编码器-解码器Conv LSTM模型,该模型主要分为两个模块:空间模块和时间模块。在空间模块中,使用了一组并行扩张卷积,并对每个扩张卷积添加通道注意力。多尺度模拟了人类视网膜的特征,注意力是模仿人类的注意力机制。将多尺度信息与注意力信息相结合,构成金字塔多尺度的通道注意力。多尺度通道注意力可以获得更精确的显著性线索,为下一部分时间模块奠定坚实的基础。在时间模块中使用一组不同扩张率的编码器-解码器Conv LSTM,并使用密集连接和跳跃连接来结合不同尺度的信息。模型对比采用F-measure、S-measure和MAE三个评价指标,在Vi Sal、FBMS、MCL、UVSD四个流行视频显著性目标检测数据集上,和十四种最先进的算法进行比较,实验结果表明该模型可以有效加强时空特征的提取,从而提高检测精度。