深度神经网络是人工智能领域最核心的模型方法，它的不断创新直接推动了该领域近二十年的飞速发展。本项目是在人类认知机理的启发下，从跨学科的角度创新了神经网络的研究思路，提出了新一代人工智能模型:深度认知神经网络，通过对注意、记忆、推理等多种人类认知机制进行计算建模，实现了信息选择过滤、知识存储与复用、动态推理与决策等认知功能，在人体运动分析、用户行为建模等典型复杂场景下突破了传统深度神经网络的性能瓶颈，最终形成了体系化的深度认知神经网络理论与方法。

本项目主要创新成果有: 1.注意机制建模:提出了反馈注意等一系列注意机制建模方法，模拟人类自底向上和自上而下对称的两个方向的信息选择能力，有效过滤了复杂场景中的冗余背景信息，显著提升了传统神经网络在行人识别等任务中的性能: 2.记忆机制建模:提出了层次记忆等一系列记忆机制建模方法，模拟人类层次化知识整合与分布式信息存储与复用的能力，开启了高效率人体运动分析的新思路，引领了骨架行为识别方向的研究工作; 3.推理机制建模:提出了对比推理等一系列推理机制建方法，模拟人类记忆推理与类比推理等能力,提升了传统神经网络模型了对于结构化数据的理解能力，在用户行为建模等领域产生了广泛的学术影响力。

本项目相关研究成果出版专著2部，发表国内外学术期刊和会议论文80余篇，其中中国计算机学会推荐的A类期刊和会议论文50余篇。申请国家发明专利40余项，已授权 20余项，获得国内外重要竞赛冠/亚军10余项。研究成果被来自国内外100余位知名专家(包括院士、IEEE/ACMFellow等)正面评价和引用，其中五篇代表性论文累计Google学术引用7000余次，WOS他引4200余次，SCI他引2000余次，产生了非常广泛的学术影响力。此外，研究成果已成功应用于金融、体育、安防等重点领域的实际场景中，产生了良好的经济效益和社会影响。