图像问答又称视觉图像测试,是指给定一幅图像和一个用自然语言描述的问题,计算机能自主根据图像内容做出相应回答的过程。它是深度学习在计算机视觉领域成功应用的主要研究方向之一。随着人工智能、自然语言处理、深度学习、图像识别等技术的发展,图像问答在汽车导航、盲人识路、机器人系统等领域将有广泛的应用。由于计算机不能完全像人一样感知图像信息,图像问答的准确率主要依赖于图像特征表示和语言文本描述。本文对图像特征表示、文本表示及其图像文本的融合模型进行研究,并对图像问答所用的网络结构进行分析,以提高自动图像问答的准确率。在图像特征表示中,选择具有局部区域感知性的卷积神经网络进行图像表示,获取深层图像信息;在文本表示中,利用长短期记忆网络能描述文本前后信息的特点表示语言描述的问题;根据图像问答的要求,选取注意力机制,将图像特征表示与文本表示进行融合,得到融合模型,形成注意力网络;由于单层注意力网络和双层注意力网络存在误判的情形,本文又对融合模型进行改进,加深网络层次,增强文本信息和减弱文本“记忆”衰减,形成深层注意力网络,并对该网络结构进行研究。随后,本文选择公认的三个图像问答集,分别是DAQUAR-ALL、DAQUAR-REDUCED和VQA,对基于深层注意力网络的图像问答方法进行实现。在深层注意力网络与双层注意力网络模型的实验比较中,实验结果显示深层注意力网络的图像问答准确率更高;在不同层数的深层注意力网络实验比较中,实验结果显示图像问答的准确率随着网络层数的增加也有一定提高。实验结果表明,本文所研究的深层注意力网络结构有助于提高图像问答的准确率。