现阶段图像处理领域所取得的优秀成果大多源于神经网络层数的不断加深,但随着神经网络越来越复杂,神经网络所需要存储的参数越来越多,就会导致网络容量问题。对于图像分类而言,在不过多引入参数的同时提高分类准确率,仍旧是一项挑战。在图像转换领域,结合生成对抗网络能够实现图像从源域到目标域的转换,但利用生成对抗网络的转换模型通常会产生语义上的伪像,其生成图像无关部分的改变较大,从而导致生成的图像质量较低。为了解决上述问题,本文提出了一种新型的注意力模块——像素域和通道域双重相关性注意力机制(Pixel-wise And Channel-wise Attention),文中简称PC注意力模块。通过利用多种注意力模块应用于的分类模型中,在Cifar10数据集上验证了PC注意力模块较之其他注意力模块在分类任务上的优越性。并且,还将其应用于GoogleNet网络架构中,在Cifar100数据集上取得了良好的分类性能。针对图像转换领域中所采用的编码器-解码器这一特殊网络结构,基于PC注意力模型提出了在下采样与上采样过程中的跳跃连接结构(SPC注意力模型),在转换过程中将下采样获取的注意力图传递给上采样用以生成更为合理的图像。该模块可以帮助算法识别出图像中最具区别性的语义对象(即待转换对象),并且可以直接应用于卷积神经网络作为网络结构中的一层以端对端的方式进行训练。此外,本文所提出的注意力模型在图像转换中的应用是在不使用额外的数据和网络情况下,将图像无关部分的改变降至最低。本文在实验部分将SPC注意力模块应用于Pix2Pix算法和CycleGAN算法,定性和定量地与最新的图像转换方法对比。验证了该注意力模型能够在图像转换算法中建立更真实的源域到目标域的映射,从而提高了转换模型生成图像的质量。同时,还将SPC注意力模型应用于图像重构任务,利用MNIST数据集在自编码器算法中实现对图像的重构任务。与其他注意力模型在自编码器算法上的应用相比,该模型能够重构出更为逼真的图像。这一实验也验证了PC注意力模型在编码器-解码器网络中采用跳跃连接结构的合理性。