卷积神经网络（Convolutional Neural Networks,CNN）以其强大的特征提取和表达能力,在计算机视觉任务中得到了广泛地应用。然而,由于CNN主要是利用局部感知特性进行特征提取,导致其全局感知能力较差,进而影响了提取特征的鲁棒性。近些年来,注意机制以其有效的全局感知特性,被成功地应用在自然语言处理和计算机视觉等领域。因此,如何将CNN的局部感知特性和注意机制的全局感知特性有效结合,并设计相应有效的CNN网络结构,成为了当前CNN优化中的热点。当前,最常用的基于注意机制的CNN优化方法是使用注意力图对卷积层输出的单尺度特征图加权,这类方法存在两个问题:1、直接对单尺度特征图进行处理,导致生成的注意力图对特征中多尺度信息的关注能力较弱;2、直接将注意力图作用于特征图,导致融合时的计算量较大,需要在计算量与注意力图的准确性进行折中。为了解决上述问题,本文在以下几个方面展开研究,具体内容包括:1、提出一种基于多尺度注意机制的CNN结构优化算法,称之为多尺度注意模块（Multi-Scale Attention Module,MSAM）,针对已有方法只对特征中单一尺度信息注意的问题。将注意模型引入多尺度Res2Net模块通道间信息交互的过程中,利用Res2Net模块的网络结构使注意力图能够基于不同尺度感受野的特征图生成,进而让注意力图能够对有效对特征中多尺度信息进行关注。2、提出一种基于卷积核注意机制的CNN结构优化算法,称之为卷积核注意模块（Kernel Attention Module,KAM）,针对传统作用于特征图的注意模块（Feature Attention Module,FAM）为了减少参数及计算量,只能选择性的对特征图的通道或空间维度加载压缩后注意力图的问题。KAM改变注意力图作用位置,首先对卷积核加载注意力图,然后使用处理后卷积核与输入特征的卷积操作得到输出。该方法只需要生成卷积核尺度的注意力图不仅有效降低了计算量,而且得益于卷积操作的特性,作用于卷积核的注意力图将以间接的形式同时影响卷积输出特征图的通道和空间维度,从而避免丢失特征图通道或空间注意信息的丢失。为了验证算法的有效性,本文将提出的注意力模块嵌入不同的CNN网络结构中,并在不同的计算机视觉任务上进行相应的实验。实验结果表明,当使用ResNet18为基准网络时,在分类任务和语义分割任务上,MSAM的分类准确率能在不增加参数量的情况下,比Res2Net模块分别提高0.42%和0.35%,KAM的分类准确率能在降低计算量的情况下,比压缩和激励（Squeeze and Excitation,SE）模块分别提高1.09%和0.67%。