1.多尺度特征融合及多种注意力结合的弱监督异常检测方法，其特征在于，包括：步骤1、采集训练视频集，所述训练视频集包括正常视频和异常视频；

步骤2、将正常视频切分成含有 个互不重叠的视频片段的负包 ，将异常视频切分成含有 个互不重叠的视频片段的正包 ，每个片段包含 帧连续画面；

步骤3、采用I3D卷积网络分别提取正包 和负包 中每个视频片段的时空特征 和；并采用多尺度特征融合网络对正包 和负包 中的时空特征 、时空特征 分别进行特征融合，得到正包的多尺度特征 和负包的多尺度特征 ；具体包括：S301、采用 个一维卷积核分别对时空特征 、时空特征 进行卷积操作，一维卷积核的大小为，其表达式分别为：；

；

步骤302、采用 个一维卷积核分别对时空特征 、时空特征 再次进行卷积操作，一维卷积核的大小为 ，其表达式分别为：；

；

步骤303、步骤301卷积输出的特征和步骤302卷积输出的特征与时空特征融合得到多尺度特征，其表达式分别为：；

；

步骤4、采用多头自注意力机制分别在正包的多尺度特征 和负包的多尺度特征 中加入注意力获得加入注意力机制的多尺度特征 和 ；

步骤5、采用通道注意力机制分别对加入注意力机制的多尺度特征 和 进行降维、升维、sigmoid函数计算通道注意力权重以及给加入注意力机制的多尺度特征 和 每个通道赋予权重后得到加入多种注意力机制的多尺度特征 和 ；

步骤6、采用一个全连接层网络对加入多种注意力机制的多尺度特征 和 进行线性回归，并得到 和 中每个片段的异常分数包 和 ；

步骤7、根据异常分数包 和 构建目标损失函数对步骤4至步骤6的参数进行优化。

2.根据权利要求1所述的多尺度特征融合及多种注意力结合的弱监督异常检测方法，其特征在于，所述步骤4中采用多头自注意力机制分别在正包的多尺度特征 和负包的多尺度特征 中加入注意力获得加入注意力机制的多尺度特征 和 具体包括：步骤401、采用一个全连接层将多尺度特征 和 分别转化为共享矩阵 和；

步骤402、通过共享矩阵 和 分别生成 和 ,计算公式为：

；

；

；

；

；

；

式中， 、 、 为权重矩阵；

步骤403、根据多头自注意力的头的数量，将 和 分割成和 ；

步骤404、将 与 转置相乘，接着采用softmax函数得到自注意力图 ；再将自注意力图 与 转置相乘得到自注意力矩阵 ；然后进行归一化操作得到多个特征 ，；最后将多个特征 连接起来得到多尺度特征 ；

同理，将 和 转置相乘，接着采用softmax函数得到自注意力图 ；再将自注意力图 与 转置相乘得到自注意力矩阵 ；然后进行归一化操作得到多个特征 ，；最后将多个特征 连接起来得到多尺度特征 。

3.根据权利要求1所述的多尺度特征融合及多种注意力结合的弱监督异常检测方法，其特征在于，所述步骤7中构建目标损失函数为：；

式中， 为排序损失函数， 为平滑损失函数， 为改进的稀疏损失函数，其中：计算公式为：

；

；

；

式中， 表示为负包中第 个异常分数， 表示正包中第 个异常分数； 的计算公式为： ； 的计算公式为： ，式中，为平均分参考值， 为正包中异常分数的平均分。