1.一种结合注意机制与深度可分解卷积的卷积神经网络优化方法，其特征在于，包括以下步骤：步骤1：建立注意机制框架结构，选取数张训练样本作为注意机制框架结构的输入，获得注意机制的特征系数x_res；

步骤1的具体实现包括以下子步骤：

步骤1.1：对于任意一个训练样本x，使其通过激活函数sigmoid，得到M(x)；

M(x)＝1/(1+exp(-x))；

步骤1.2：将输出的M(x)加上同等大小的全一矩阵ones再输出，获得特征系数，记为x_res；

x_res＝M(x)+ones；

步骤2：应用深度可分解卷积提取图片的特征值，建立深度卷积网络结构，将训练样本通过深度卷积dw-conv得到输出，记为G(x)；

步骤3：将特征系数x_res与G(x)中各个特征值进行点乘，输出结果记为H(x)；

步骤4：应用点卷积对输出结果H(x)进行通道之间的卷积组合，并输出。