近年来，计算机视觉应用领域出现了从2D视觉到3D视觉的转变，3D视觉显著性检测作为这些应用的基础，引起了广泛的研究兴趣。与传统2D显著性模型不同，3D显著性模型挖掘了场景不同模态的线索，包括2D线索、深度线索和运动线索等，有助于提高显著性检测的性能。多模态显著线索之间存在互补和竞争关系，如何有效地融合这些线索仍然是一个挑战。因此，本文基于最常用的3D数据格式之一，即RGB-D视频，重点研究了显著性检测中多模态线索融合的问题。然后，为了进一步提高显著性检测模型的性能，本文选取了近几年兴起的光场数据，它相比于RGB-D数据提供了更丰富的线索，例如焦点堆栈中的聚焦度线索。如何有选择性地利用质量不一的聚焦切片，是光场显著性模型中的挑战性问题，本文将针对这一问题进行解决。本文的主要贡献总结如下：
　　(1)提出了基于RGB-D立体视频的显著性检测模型。首先对视频每一帧计算多模态显著图，包括2D显著图、深度显著图和运动显著图。在计算过程中，采用超像素内部聚类的方法计算每个超像素的代表值，避免了深度图和运动矢量图上噪声的影响。
　　(2)针对多模态线索之间互补竞争的现象，提出基于超像素下条件随机场的显著图融合模型，建立全局能量函数，联合多模态显著线索的影响和邻域显著值平滑约束，并利用卷积神经网络学习多模态显著图的权重。实验结果表明，所提出的模型在两个RGB-D显著性数据集上均取得了最优的性能，定性评价结果表明所提出的模型准确定位了显著区域，并消除了多模态显著线索相互竞争带来的背景噪声，取得了与真值显著图更接近的结果。
　　(3)提出了结合注意力机制的多层次循环网络模型，进行基于光场数据的显著性检测。所提出的模型由特征提取网络和聚焦切片加权模块组成。聚焦切片加权模块自适应地对不同质量的聚焦切片赋予不同的重要性，并有效地融合多模态显著线索。实验结果表明，所提出的模型在两个光场显著性数据集上均取得了最优的性能。验证了所提出的模型自适应地抑制了不准确的聚焦切片的干扰，消除了背景噪声，有效地将显著目标从复杂背景中分离。