La evaluación estética de imágenes (IAA) con atención neural ha avanzado significativamente debido a su efectividad en el reconocimiento de objetos. Los estudios actuales han demostrado que las características aprendidas por las redes neuronales convolucionales (CNN) en diferentes etapas de aprendizaje indican información significativa. La característica superficial contiene la información de bajo nivel de las imágenes, y la característica profunda percibe la semántica y los temas de la imagen. Inspirados en esto, proponemos una red de mejora visual con fusión de características (FF-VEN). Consiste en dos submódulos, el módulo de mejora visual (módulo VE) y el módulo de fusión de características superficiales y profundas (módulo SDFF). El primero utiliza un filtro adaptativo en el dominio espacial para simular los ojos humanos según la región de interés (ROI) extraída por la retroalimentación neural. El segundo no solo extrae la característica superficial y la característica profunda a través de una conexión transversal, sino que también utiliza una unidad de fusión de características (FFU) para fusionar las características agrupadas con el objetivo de maximizar la contribución de la información. Los experimentos en el conjunto de datos estándar AVA y el conjunto de datos Photo.net muestran la efectividad de FF-VEN.