目前,随着人工智能的快速发展,基于人工智能的算法被广泛应用在生活中各个方面。其中基于计算机视觉的算法发展尤为迅速。分类与回归问题是计算机视觉中最为常见的两类问题。计算机视觉研究大多围绕这两类问题展开。随着深度学习的发展,越来越多的算法被提出来解决这些问题。其中注意力机制是最近比较热门的一个研究方向,被应用到计算机视觉问题中来解决各种相关问题。本文主要研究注意力机制在计算机视觉中分类和回归两类问题中的应用。针对分类问,我们以人脸表情识别为例进行研究,针对回归问题,我们以人群计数为例进行研究。本文主要内容如下:1,针对表情识别问题,本文设计了一个基于注意力机制并结合LBP特征的卷积神经网络模型。首先LBP特征对面部纹理和皱纹的细微变化能够很好的体现,这有利于帮助网络对细微表情变化的捕捉。我们融合LBP特征和卷积特征来增强关键特征的提取。然后,加入注意力机制,使网络关注表情图片空间内更有利于区分不同表情的关键特征,这可以避免无用特征和背景等无关因素的影响,以此来增加表情识别的准确性。我们为了验证网络的有效性,采集并标注了一个人脸表情数据集NCUFE。我们设计的方法在数据集NCUFE和4个代表性的表情数据集,即JAFFE、CK+、FER2013和Oulu-CASIA数据集上进行了测试。实验结果验证了该方法的可行性和有效性。2,针对人群计数问题,本文设计了一个基于双注意力机制的尺度聚合网络（DASANet）来解决人群图像背景杂乱和尺度变化的问题。为了将注意力集中在人群头部区域,防止复杂的背景干扰,该网络嵌入了两种注意机制,即通道注意机制和空间注意力机制。通道注意力机制主要使网络注意力集中在更有意义的特征所在通道上,空间注意力机制主要对特征空间的不同位置给予不同程度的注意力。为了解决尺度变化问题,我们设计了一个上采样聚合模块,该模块包含两个尺度聚合模块,来适应不同尺度的人头特征。在Shangitech（A、B部分）、UCF＿CC＿50、World Expo’10、UCSD和UCF＿QNRF等6个具有代表性的人群统计数据集上的实验结果表明,与其他最先进的人群统计方法相比,DASANet具有更优越的性能。