近年来,计算机视觉领域在深度学习的推动下快速发展,基础网络架构的研究以及模块化结构的设计成为提升任务性能的重要研究方向,注意力机制是其中重要一种,在图像分类、目标检测、图像分割等多项计算机视觉任务上都表现出了优异的性能。但是同时,注意力机制的应用也在原始的网络架构的基础上引入了大量的参数和计算量,因而降低了模型的推理效率。本文围绕注意力机制在计算机视觉领域的应用展开研究,探索注意力机制在计算机视觉任务表现优异的主导原因,并设计出更适用的模块,其主要工作和创新点如下。（1）本文提出了一种轻量化的通道注意力模块。现有的大部分应用于计算机视觉基础网络架构的注意力模块都存在结构精密,参数量和计算量大的问题,降低了模型的计算效率。本文提出的注意力方法在已有的注意力模块的基础上,研究了注意力机制在计算机视觉领域的应用中重要的影响因素,在通道级别采用1D卷积学习局部跨通道的相关性,从而生成注意力图。此外,该方法还提供了一种根据通道数自适应选择1D卷积核大小以更适当的调整局部感受野大小的参考准则。（2）本文提出了一种基于不确定性建模的通道注意力策略。利用注意力机制生成对应于特定特征图的注意力图依赖于特征图内部数据的相关性,然而几乎所有现有的注意力算法建模过程中都忽略了不确定性带来的影响,在一定程度上限制了注意力机制的泛化能力和稳定性。本文提出的方法通过建模通道之间的局部相关性学习各个通道的权重,并利用蒙特卡洛（Monte-Carlo,MC）Dropout近似的深度贝叶斯学习方法对局部通道注意力模块进行不确定性建模,提升了模型的泛化性和稳定性。本文提出的方法可以灵活地应用于各种深度卷积神经网络架构中,在Image Net-1K数据集上的图像分类任务以及MS COCO数据集上的目标检测和实例分割任务中均获得了优异的性能和更佳的稳定性和泛化能力。与同类型工作相比,更好地实现了模型复杂度与性能之间的权衡。