随着人工智能的发展,人机自然交互（Human-Robot Natural Interaction,HRNI）逐渐进入人们的视野,它标志着人机交互的研究进入到新阶段。人机自然交互是指人与机器人通过自然语言、动作、表情等不同表达方式进行信息交流的过程。注意力计算是指利用机器人对人的感知数据对人机自然交互中人的注意力集中程度量化计算。准确感知用户的交互注意力是评估用户的交互意愿,主动提供服务,自适应控制交互进程的基础。在缺乏用户注意力计算的条件下进行自然交互的过程中,容易出现自言自语等无效交互,降低机器人智能化程度。近年面世的机器人大都通过唤醒词、触摸或人脸检测等方式来开启交互,其中通过唤醒词和触摸的方式属于被动唤醒,智能化程度低;人脸检测的方式属于主动唤醒,但易误唤醒。因此注意力计算对提升机器人的智能化水平具有重要意义,是人机自然交互的重要技术之一。本文通过分析目前人机自然交互相关的研究工作,以人机自然交互中用户注意力的计算为研究对象,提出了两种人机自然交互场景下用户注意力计算方法,具体研究内容如下:1)针对人机交互中用户注意力的静态特征提取和建模问题,提出了一种多特征融合的用户静态注意力计算方法。本文使用深度相机获取用户的RGB和RGBD图像,从每帧图像中提取人脸信息、头部姿态、唇部距离、交互距离、人体方位角和人体偏向角六种不同的特征,采用随机森林模型融合这六种不同的特征建立用户注意力回归模型。为验证所提方法的有效性,本文构建了包含六种注意力特征的静态注意力评分数据集。实验结果表明该方法可以有效的计算用户的静态注意力。2)针对人机交互中用户动态特征多变条件下注意力建模不稳定的问题,本文提出了一种基于Attention-LSTM网络的用户动态注意力计算方法。本文使用深度相机获取用户的RGB和RGBD视频,对连续帧图像构建人脸信息、头部姿态、唇部距离、交互距离、人体方位角和人体偏向角六种时序特征模型,采用AttentionLSTM建立用户注意力计算模型。为验证所提方法的有效性,本文构建了包含六种注意力特征的动态注意力评分数据集。实验结果表明,相比于静态注意力计算方法,该方法在动态环境中能有效的对用户注意力进行持续性分析。3)基于本文提出的两种注意力计算方法,通过Py Qt5应用框架构建了注意力计算系统,并详细介绍了该系统在机器人主动唤醒和交互进程控制方面的应用。