视觉问答（Visual Question Answering,VQA）回答关于视觉图像的自然语言问题,它作为自然语言处理（Natural language processing,NLP）与计算机视觉（computer vision,CV）的交叉研究,自从2014年提出VQA任务并发布第一个数据集以来,它受到了越来越多的关注,在一定程度上推动了人工智能和深度学习的发展。VQA算法需要根据图像的视觉元素和一般的知识,推理正确的答案,目前主流的VQA算法主要是基于注意力机制找到与问题相关的图像区域,但是现有的方法对问题和图像的表示较为简单,且模型在推理过程中存储的记忆有限。本文针对以上问题,改进了动态记忆网络模型（DMN+）。首先,针对图像提出了两种新的输入模块,即基于注意力机制特征融合方式的输入模块和基于Bottom-up特征提取方式的输入模块;同时提出使用Transformer方法获取问题的编码表示,改进后的DMN+模型在VQA数据集上的性能有明显提升。其次,为了加速模型的训练,通过分层采样的方法划分VQA数据集,在每个划分数据集中并行训练单独的模型,使用模型融合方法得到最终的结果。VQA数据集上的实验表明,这种并行训练的方式不仅降低了实验的硬件条件,同时模型的Accuracy_VQA指标提高了4⁵个点。再次,由于DMN+模型使用多项选择的方式生成答案,为了平衡VQA数据集中每个样本产生的误差,根据答案类型样本的数量对样本加权。实验证明,带权重的训练方式使得模型在VQA数据集上性能有1¹.5Accuracy_VQA的提升。最后,为了训练过程能够快速收敛到最优解,避免Adam算法在模型优化后期出现学习率极端现象,本文研究循环学习率（Cyclical Learning Rates,CLR）与一周期策略（One-cycle）两种学习率控制方法对模型收敛的影响。VQA数据集上的结果显示,学习率控制策略既加快了模型收敛速度,同时模型Accuracy_VQA指标有1²的提高。