La destilación propia se ha aplicado ampliamente en el campo del aprendizaje profundo. Sin embargo, la falta de interacción entre las múltiples ramas poco profundas en el marco de la destilación propia reduce la efectividad de los métodos de auto destilación. Para abordar este problema, se propone un esquema de auto destilación de fusión de mapas de características. Según la profundidad del modelo maestro, se construyen múltiples ramas poco profundas como modelos de estudiantes para construir un marco de auto destilación. Luego, el módulo de fusión de mapas de características fusiona los mapas de características intermedias de cada rama para mejorar la interacción entre las ramas. Específicamente, este módulo de fusión emplea un módulo de mejora espacial para generar máscaras de atención para múltiples mapas de características, que se promedian y se aplican para crear mapas intermedios. La media de estos mapas intermedios da como resultado el mapa de características de fusión final. Los hallazgos experimentales en los conjuntos de datos CIFAR10 y CIFAR100 ilustran que nuestra técnica propuesta tiene claras ventajas en el aumento de la precisión de clasificación de los modelos de aprendizaje profundo. En promedio, se observan aumentos de precisión del 0,7% y 2,5% en CIFAR10 y CIFAR100.