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。