视觉注意机制是人类及其他灵长目动物内在的固有属性,在视觉注意机制的帮助下,人类视觉系统可以有选择地对视觉信息进行处理,有效地解决了有限的信息处理资源与海量的视觉信息之间的矛盾。将视觉注意机制引入计算机图像处理、模式识别以及机器视觉等领域,可以有效地降低信息处理的计算量,节省计算资源,提高信息处理的效率,因此对视觉注意计算模型的研究一直是这些领域的研究热点之一。本文在现有研究的基础上,对视觉注意的计算模型及其关键技术进行了深入地研究,具体的研究内容包括：(1)视觉显著性度量是视觉注意计算模型的关键问题之一,其结果是注意焦点选择和转移的依据。本文对视觉显著性度量方法进行了研究,提出一种新的视觉显著性度量方法,从局部显著性、全局显著性和稀少性三个方面进行视觉显著性度量,有效地解决了现有方法存在的问题,提高了显著性度量结果的准确性和有效性。(2)视觉显著性是由多种视觉特征共同竞争和引导的结果,对各种早期特征图进行视觉显著性度量,得到各种特征显著图之后,需要将它们整合到一起,得到最终的显著图。本文对特征整合方法进行了研究,提出一种有效的特征整合方法。该方法根据输入图像的各种特征显著图中显著区域的一致性和空间分布情况,计算各种特征图对总的显著图的影响权值,能有效解决现有特征整合策略中存在的固定权值或通过学习获得权值的问题。(3)注意焦点的选择和转移是视觉注意计算模型的另一个关键问题,现有方法主要基于邻近优先和抑制返回的原则,与人类视觉注意机制并不完全相符。本文研究一种深度优先的分层焦点选择和转移机制,首先在最小的尺度上对输入图像进行分析,选择出第一个注视区域之后,暂时忽略掉该区域之外的其他图像区域,将其作为输入图像按照同样的分析方法,在该区域内部进行注意焦点选择和转移。该区域分析完毕之后,注意范围再次回到原始输入图像,结合邻近优先和抑制返回的原则,选取下一个注视区域,再重复上述过程,直到所有区域均已获得注意。采用分层的注意转移机制,既实现了显式注意又实现了隐式注意,更符合人类视觉注意的多分辨率采样的特性。(4)为了解决基于空间的注意模型中注意区域的大小和形状选择问题,本文对基于物体的视觉注意计算模型进行了研究,提出了一种结合空间显著性的感知物体的定义和提取方法,针对提取的感知物体,进行视觉显著性度量,进行注意焦点的选取和转移。与基于空间的注意模型相比,基于物体的注意模型保证了注意目标的完整性,焦点转移到无意义区域的可能性更小,同时本文模型采用了分阶层的注意焦点转移机制,更符合人类视觉系统的特性。