为提升卷积神经网络的视觉表达能力,现有主流方法主要通过增加网络深度、宽度等方式来建模学习网络更好的性能,但这些方法大多以巨大的计算复杂度作为代价,并且对性能的提升也已到了瓶颈阶段。研究者通过对人类视觉系统进行观察与分析,发现其视觉注意力机制能够有选择地关注图像中的目标对象,极大地提升了其处理视觉信息的能力。因此,研究如何将视觉注意力机制融入到卷积神经网络的设计中,是提升其视觉表达能力的新方法之一。本文主要对计算机视觉注意力机制进行建模研究,分别从时域空间与频域空间两种维度构建双维度的视觉注意力机制模型,以捕获多样性与全局性的视觉语义信息,从而学习建模更加准确的注意力权重。本文主要贡献如下:（1）提出了一种基于池化方法的双维度视觉注意力模型。首先,在通道维度,同时使用全局最大池化和全局平均池化以获取多样性的空间维度信息,然后输入共享局部通道网络以重新学习通道间的权重分配;其次,在空间维度,将平均池化分别作用在宽和高两个空间维度以获取全局的视野信息,从而编码更加准确的空间位置注意力;最后,串行顺序融合得到注意力图,并将其与输入特征图相乘,以准确地进行自适应的特征表达。实验结果表明,在CIFAR-100数据集上,与主流的视觉注意力模型SENet、CBAM、ECA,BAM和TANet相比,Top-1准确率分别提升0.87%、0.48%、0.17%、0.43%和0.90%。进一步的可视化实验结果表明,提出的模型能准确地聚焦图像中的主要目标对象。（2）提出了一种基于频域方法的多频谱视觉注意力模型。通过将图像变换到频域空间内进行分析,发现平均池化等价于离散余弦变换后低频信号分量的表示。因此,为了获取其它频域信号分量的信息,以实现对图像中多样性语义信息的准确表达,本文改进了上一阶段提出的模型,通过在通道与空间注意力模块中分别融入多种频域信号分量,建模学习了更加准确的视觉注意力权重。消融实验表明,适当地增加模型对多种频域信号分量的捕获,能明显提升模型的性能。此外,数值实验结果表明,在CIFAR-100数据集上,相较于VGG、Res Net-50、Res Ne Xt-50及Res Ne Xt-101,提出的模型Top-1正确率分别提升2.56%、3.06%、1.73%、1.24%;在Pascal VOC 2012数据集上,相较于Retina Net和Fater-RCNN模型,提出的模型AP50与m AP分别提升3.6%、2.11%与3.44%、2.05%。