随着卷积神经网络的发展，现有改进的息肉分割U-Net网络能有效提高息肉分割准确率，但引入了大量参数，导致模型复杂度增大且计算效率降低。提出具有低复杂度、高性能的网络GLIA-Net，用于分割内窥镜图像中的息肉区域。以U-Net为基础架构，在双层卷积后加入全局与局部交互式注意力融合模块。全局注意力基于2个可学习的外部储存器，通过2个级联的线性层和归一化层来实现。局部注意力基于局部跨通道交互策略，将一维卷积代替全连接层，在保证网络性能的同时降低计算复杂度，加快网络的计算速度。结合高效通道注意力和外部注意力的优点，在不引入过多参数量和计算量的前提下融合局部注意力和全局注意力，同时在通道与空间2个维度上引入注意力机制，提取丰富的多尺度语义信息。在Kvasir数据集上的实验结果表明，GLIA-Net的平均交并比、Dice、体积重叠误差分别为69.4%、80.7%和5.0%，与ExfuseNet、SegNet、ResUNet等网络相比，在保证网络计算效率的同时具有较优的分割精度。