针对现有基于全监督深度学习方法易造成高频信息及全局上下文结构信息损失、且需要依赖大量昂贵训练样本数据的问题，开展基于无监督/半监督图神经网络学习物体结构的视频显著性目标检测理论与应用研究，探索针对RGB\RGB-D视频序列、光场视频序列等显著性目标检测与分割的新型解决方案，以期拓展和丰富目前视频显著性物体检测的研究体系及技术路线，并为其他智能视频分析任务提供一种新颖的研究思路，推动相关应用领域的性能提升。