在计算机视觉任务中,深度学习技术使机器在识别精度上已经超过了人类,越来越多的学者将研究的注意力集中于性能瓶颈。经典模型普遍计算代价昂贵的核心原因是,其模型本质都是“窗口-识别”模型,利用机器的计算性能机械低效的运算。针对计算代价昂贵问题,从人类视觉行为特征角度考虑,学者提出了基于局部观察马尔科夫决策过程的循环聚焦模型,从原理上避免了机械且无用的计算。该模型循环提取输入图像中局部进行运算,使得参数总量和计算量均独立于输入图像大小,鲁棒性强,并保持了端到端的训练方式。但该模型仍存在明显不足:针对复杂目标模型性能下降,针对自然场景图象识别正确率较低,并且未能应用于目标识别等重要的计算机视觉任务。针对复杂目标模型性能下降的原因,主要由于相对于识别目标,聚焦区域通常较小且固定,从而导致过多的迭代次数,降低了效率,也限制了模型的应用。同时由于模型提取图像特征的结构不佳,难以有效识别自然场景图像。基于此,本文提出:使用并行多焦点提高模型提取信息效率;使用卷积神经网络提取自然场景图像特征;并提出基于循环聚焦的目标识别模型。具体的研究工作如下:1)提出了一种多焦点的循环聚焦模型针对复杂目标模型性能下降的原因,由于相对于识别目标,聚焦区域通常较小且固定,从而导致过多的迭代次数,降低了效率,也难以在同一输入中寻找多个目标。因此本文提出多焦点聚焦模型,同时对多处并行聚焦。使用增强学习进行训练,将所有焦点的行为统一评分训练。与单焦点聚焦模型相比,训练收敛速度和识别速度均有提高。同时本模型具有较高的通用性。2)提出了基于卷积的循环聚焦模型在图像识别任务中,循环聚焦模型可以有效识别数字或真实图像中的数字,但难以有效识别自然场景图像。针对自然场景图象数据集,首先分析了原循环聚焦模型的优点和不足的原因,结合循环聚焦模型的特点,本文提出了基于卷积网络改进循环聚焦模型的三种策略,结合卷积网络和循环聚焦模型的优点,使其可以有效识别自然场景图像。本文改进后的循环聚焦模型可以有效识别Cifar10数据集。3)提出了基于循环聚焦的目标检测模型目标检测的经典模型,计算量较大,本文提出了一种基于循环聚焦的目标检测模型。获取输入图像后,循环动态的提取图像中的相关局部进行计算,最终得到目标的位置和类别信息。本模型保留了端到端的训练方式,计算量独立于输入大小,鲁棒性强等优点。实验表明,本模型可以有效完成目标检测任务,在更大图像中优势更明显。