随着深度学习的发展及神经网络在图像识别等计算机视觉任务中取得的显著效果,使得深度学习在诸如目标追踪、目标检测、行人再识别、图像检索等计算机视觉任务中被广泛应用。显著性检测作为一项在其他计算机视觉任务中的数据预处理技术成为了研究的热点,随着视频设备的普及,人们面对的场景往往是动态变化的,所以视频显著性检测成为一个热门的研究方向,它旨在通过特定的算法检测出连续运动的能引起人眼关注的显著性目标。本文将视频显著性检测模型分为两个模块:静态模块和动态模块。首先,进行基于频域先验知识的静态图像显著性检测;然后在静态模块的基础上,通过动态显著性检测模块进行视频帧的时空特征融合,得到最终的动态视频显著性图。具体地,本文的主要工作如下:（1）对视频帧进行超复数傅里叶变换进行频域视觉显著性分析。通过提取视频帧的四元数特征,构建四元数图像,进行四元数傅里叶变换进行频域显著性分析得到视频帧的频域先验知识,并作为静态图像显著性检测模型的输入。（2）构建基于频域先验的静态图像显著性检测模块,并在该模块的基础上探索多尺度空间分析的超复数傅里叶变换得到的显著性先验对于图像显著性检测算法的有效性。该静态模块采用对称卷积的结构,即有两个网络输入分支,将当前视频帧及其取反图像、频域先验知识作为网络输入,并运用基于共享参数的迁移学习的方式将Image Net预训练的网络权重初始化静态模块的网络参数进行网络训练,然后在公开的图像和视频显著性检测数据集上进行测试,并和不加频域先验知识的静态图像显著性检测模型进行定性和定量对比;（3）构建基于时空关联的动态视频显著性检测模块。首先,通过静态模块获取当前视频帧对应的静态显著性检测结果;然后,通过光流估计法Flow Net2.0计算当前视频帧的光流,并利用该光流计算当前视频帧的运动特征;最后,将当前视频帧、其对应的静态显著性检测结果作为动态模块的模型输入,并将产生的各层网络特征和当前视频帧的运动特征进行特征融合,进而进行基于时空关联的视频显著性检测。该动态模块采用基于VGG-16模型的全卷积神经网络结构,使用基于共享参数的迁移学习的方式用Image Net预训练好的网络参数对动态模块的网络权重进行初始化。并和已有的视频显著性检测算法在公开的视频显著性检测数据集上进行定性和定量对比。本文所提出的视频显著性检测方法在公开的视频显著性检测数据集上进行测试,并和其他已有的视频显著性检测算法进行定性和定量的比较。