近年来,得益于深度卷积神经网络强大的特征提取能力,其在图像处理领域得到广泛的应用。层出不穷的新型网络结构的设计进一步拓展了卷积神经网络特征表达能力的边界,本文从特征增强的角度出发,研究在不改变基础网络结构的基础上如何增强网络的特征提取能力,具体研究工作如下:首先,本文从注意力机制对增强卷积神经网络提取特征能力的角度出发,提出了特征差异模型（Feature Difference Model,FD-model）来增强卷积神经网络的特征表达能力。现有的注意力模型都是根据当前特征分布来计算需要施加到当前特征的注意力值。由于卷积神经网络浅层提取的都是通用特征,因此这类注意力模型在网络浅层很难取得理想的效果。而特征差异模型可以利用两个特征图之间的差异来生成注意力掩码。在四个公开基准数据集上的实验表明,FD模型可以帮助改善卷积神经网络的性能。特别地,使用FD模型的Res Net44（6.10%错误率）比ResNet56（6.24%错误率）获得更好的结果,而前者的网络参数比后者少29%。其次,本文从特征融合的角度来设计算法提升卷积神经网络特征表达能力,提出了双向特征聚合网络（Bidirectional Feature Aggregation Network,Bi FAN）。特征金字塔网络通过聚合不同尺度的特征在物体检测和实例分割领域取得了令人印象深刻的结果,尤其是小物体的检测方面。但是,对于那些边界框中背景占比很大的大物体,特征金字塔网络很难获得良好的效果。基于此,本文提出了双向特征聚合网络,它主要由多尺度特征融合模块,自上而下的特征聚合模块和自下而上的特征聚合模块组成。这种双向网络结构可以极大地丰富高层语义特征,从而提高网络物体检测的能力。在COCO数据集上的实验表明,该方法在评价指标₅₀和上取得了目前最好的结果。最后,本文将特征增强技术应用于宫颈癌图像的识别分类上。阴道镜筛查是一种廉价且容易获得的医疗技术,是宫颈癌早期诊断的重要方法之一。本文基于前文提出的特征增强技术提出了一种基于深度学习的宫颈癌图像识别方案,以协助宫颈癌的早期筛查。它主要由两部分组成:宫颈癌图像中病变组织的提取和病变组织的分类。本文使用Bi FAN来提取图像中的病变组织,设计一个轻量级的注意力卷积神经网络来提取病变组织的特征并进行分类。特别地,引入的空间注意力机制使神经网络可以更加关注图像中的病变组织。实验结果表明,该方法对宫颈癌图像具有良好的识别能力,准确率达到68.03%,比其他方法高出6%。