随着交通基础设施的完善和经济的发展,车辆数量和司机数量猛增,公共交通安全问题频发。传统的智能交通监控系统因需要大量的人力且操作较为困难而难以实施全面覆盖。因此,运用人工智能来实现新一代的智能交通监控系统是非常有必要的。基于注意力模型的视觉模拟算法（简称视觉注意力算法）可以将交通视频中较为重要的区域标记出来以便观看,且能根据具体使用需求建立训练集来人为确定重要区域是哪一方面（如人或车）。同时可以作为预处理模块加入其他计算机视觉算法（如目标识别、实例分割）并增强算法性能,因此引起了研究人员的广泛关注。针对现有视觉模拟算法的不足,提出了一个基于视觉注意力机制的交通视频监控方法。算法从三个方面进行改进:公共特征提取模块,注意力模块,网络轻量化。公共特征提取模块使用残差网络作为核心思想,在避免网络退化的同时加深了网络并增强了图像特征的提取能力。注意力模块使用显式注意力和隐式注意力分别从空间角度和通道角度对数据进行增强,加强网络的效果。使用深度可分卷积和1*1卷积来代替标准卷积,减少网络参数。根据算法实际使用提出了新的评价指标THPS和PHPS,并将算法得到的结果与原图相结合形成直观的效果图进行对比。实验结果表明改进了特征提取和注意力模块后的算法与传统算法相比在THPS指标上基本一致,但在PHPS上提升了24%,从视觉效果来看也是改进后的算法更加优秀。轻量化后的网络虽然性能下降6%-7%,但参数仅为原来3/10,并且运行速度和网络训练速度均有提升24%左右,满足实际使用需求。研究针对交通监控的视觉注意力机制算法,不仅为以后在交通监控图像上使用目标识别、目标分割等计算机视觉算法做好了铺垫,还针对移动端进行了优化,使算法的适用性更广泛。