随着人工神经网络（Artificial Neural Network,ANN）的问世,机器学习领域得到了里程碑式的发展,最具代表性的则是计算机视觉。在计算机视觉任务中,卷积神经网络（Convolutional Neural Networks,CNN）是最核心的技术,其精简的结构为人工神经网络提供了各种便捷的计算方法,成功解决了各种复杂的图像处理任务存在的问题。为了在视觉任务中能描绘出复杂边界,充分探索特征分布对发挥CNN的潜力是至关重要的。针对计算机视觉任务的研究,本文对CNN的特征描述进行了探索。图像分类任务作为计算机视觉研究的热点话题,是图像分析与处理的重要环节。主要是在给定图像的集合中,根据每张图片的特征找到与其相符的特征类别,并将其归类的过程。科研人员们对CNN的探索逐步深入,在各项的图像分类任务研究获得了飞速的发展。然而,目前的研究大部分专注于设计更深层的架构,而很少探索特征统计。为解决这一问题,本文对深层的特征描述展开研究,并针对CNN设计了可嵌入式的网络结构补充,主要研究内容如下三方面:（1）基于传统的卷积神经网络,本文提出并实现了一种一阶池化和二阶池化相结合的注意力模块。该注意力模块适用于任何前馈卷积神经网络,并可以进行端到端的训练,强化了图像特征表示,从而在图像分类任务上获得了更高的精度。这一方法利用对图像的一阶特征以及二阶特征的提取,并分别集成于在特征图的空间以及通道维度,两种提取特征的方法结合使用生成注意力权重对原输入的特征图进行重新校准,实现自适应特征细化。特征信息进行融合后新获得优化后的特征图拥有更显著的特征,更利于图像分类。本文通过将这两种注意力子模块进行了不同搭配,经多组实验验证了这一方法的有效性。通过在CIFAR-10数据集和CIFAR-100数据集进行图像分类实验和消融实验,以及在MS COCO数据集上进行目标检测的对比实验,使用各种基线网络架构进行了大量的实验对比,并通过广泛的消融实验来验证其有效性。实验结果表明,结合一阶和二阶提取图像特征的方法,并将其集成于不同网络中可以获得更精准的特征表示,从而使模型拥有更高的准确率。（2）在证实了集成注意力机制对特征强化的有效性的基础上,本文提出一种自适应的多尺度卷积的注意力模块。该模块使每个神经元根据输入的特征信息经过多个分支,利用不同大小的卷积核对其进行卷积,从而可以提取到多个尺度的特征信息。在该模块中,多个具有不同大小的卷积核分别代表不同的分支,经过每一个注意力分支的特征图被注意模块“加工”成为具有特征更加鲜明的特征图,最后进行特征融合获得优化后的特征。分类结果表明,利用多尺度卷积核分支的注意力模块有更好的泛化性能,从而提高分类的准确率。通过将此方法在CIFAR-10数据集和CIFAR-100数据集进行图像分类实验和消融实验,使用各种基线网络架构进行了大量的实验对比,实验结果表明,多尺度卷积的注意力模块集成于网络中可以获得更精准的特征表示,从而使模型拥有更高的准确率。本文讨论了经典深度学习模型的一些不足,并对其进行改进。为了验证模型的性能,本文将多种改进后的模型应用于不同图像数据集进行实验,本文的工作对今后利用深度学习模型解决图像分类任务具有一定的参考意义。