随着移动互联网的兴起和大量图像的涌现,如何提炼图像中的价值备受关注,而视觉注意机制的研究可以帮助研究人员解决这一问题。图像视觉注意力的研究对应静态和动态注意力两个层面分别建立有空域显著图预测模型和时域扫描路径预测模型,但现有空时注意力算法还未有关注人类对图像发生注意时的人类情感,而美学情感是一种与视觉注意力息息相关的情感。因此,本文提出了基于美感的空时视觉注意力预测算法,分别对显著图预测和扫描路径预测问题提出如下两个方案:1.基于美感的多任务图像显著图预测算法。本文首次为视觉注意力预测引入美感上下文信息,为此,设计了一种基于多任务卷积神经网络的编码器-解码器模型。输入的彩色图像首先经过共享骨干网络编码器,然后按照数据来源输入到对应的美感解码器或显著图解码器中进行损失的计算和反向传播更新模型参数。本文使用了三种不同的流行骨干网络作为美感任务和显著图任务参数共享的编码器,实验结果表明,该基于美感的多任务模型能够生成准确的显著图,优于现有的显著图预测模型,证实了美学情感对视觉注意力预测的积极作用,并且优于绝大多数现有算法模型。2.基于由粗到细网络的扫描路径预测算法。基于美感的多任务图像显著图预测算法提供了有效的静态注意力预测的解决方案,因此在此基础上本文提取了基于美感的视觉注意力特征,进一步研究了动态扫描路径问题,设计了一种由粗到细的时域网络模型来解决动态注意力预测问题。由粗到细网络是由卷积神经网络和长短期记忆（Long Short-Term Memory,LSTM）网络组成。为达到精确预测扫描路径,本文在返回抑制机制的启发下提出一种IRA（Inhibition of Return Attention）机制,将基于IRA机制生成的IRA序列按时间步输入到精细网络的LSTM中,并使用新提出的扫描路径损失训练整个模型。实验结果证明了IRA机制和扫描路径损失的有效性,该算法优于多数现有扫描路径预测算法。