随着深度学习日益发展,人工智能领域迎来发展热潮。无论在计算机视觉,还是自然语言处理、语音处理等领域,深度学习都取得了突破性的进展。近年来,同时涉及计算机视觉和自然语言处理的多模态学习任务受到越来越多研究人员的关注,视觉问答正是一种涉及多模态任务的交叉研究领域。视觉问答任务旨在让机器根据图片内容对提出的问题自动地生成自然语言的回答,涉及多模态信息输入（即图片信息和问题信息）。视觉问答任务关键在于对计算机视觉和自然语言的共同理解,以及计算机视觉和自然语言之间的联合推理。视觉问答模型包含四个模块:图像、问题特征提取模块,特征融合模块,多模态信息处理模块和答案生成模块。当前主要研究方向集中在信息特征提取和多模态信息处理等。本文主要创新点和研究工作如下:（1）由于图像和问题中包含大量信息,本文对图像采用目前先进的目标检测技术提取特征,充分地检测出图像中内容信息,由此得到的图片目标信息不仅具有高级语义信息还具有大量的细节信息。同样本文对问题文本采用门限循环神经网络提取特征,获得的问题文本特征可以精确地对问题文本进行表述。（2）为了能够获得完善的特征信息,对图像特征和问题文本特征使用自注意力模块分别强化图像和问题的特征信息,获得图像的自注意力特征和问题文本的自注意力特征。自注意力机制可以有效地减少噪声和冗余信息,获得关于自身表述更为精确的特征表达。（3）研究注意力机制处理多模态特征的方法,针对现有注意力机制对图像和问题特征推理不充分的现状,本文提出空间推理注意力模块。对图像特征和问题文本特征进行多模态特征融合和多模态特征推理。将图像特征和问题文本特征进行融合得到关于图像和文本统一的特征表达,并对融合后的特征进行注意力推理获得具有空间推理表述的融合特征。本文融合多种特征提取技术、改进自注意力模块以及提出空间推理注意力模块对视觉问答模型进行改进,并在视觉问答数据集上进行实验测试,仿真结果表明,与同类型网络模型相比,本文提出的视觉问答模型在算法精度上获得了明显的提升。