随着互联网技术的迅速发展,深度学习在计算机领域受到越来越多的学者们的关注。随之衍生的多模态任务,例如图像描述、OCR、图像字幕、视觉问答等也备受计算机领域的学者关注。其中,视觉问答（Visual Question Answering,VQA）任务逐渐成为学者们讨论的热点。VQA任务是指让计算机来回答与图像相关的问题,即给定一张图像和与该张图像相关的采用自然语言方式来表示的问题。VQA任务就是让模型能够回答出关于这张图像问的问题。视觉问答任务不仅需要VQA模型的算法能够充分理解并有效的表征出图像的内容,还需要模型充分理解询问的问题。由此可知,VQA模型需要同时具备自然语言处理和对图像处理的能力。在近几年里,VQA得到了计算机领域大量学者的关注,因此也涌现出了各种VQA算法,如以注意力机制为基础的算法,添加外部知识库的算法,基于关系推理的算法等。然而这些算法大多存在语言先验,即算法依赖答案与问题之间的统计规律在没有充分理解图像内容时就能准确回答问题,这使得模型很难应用到不同的数据集中。本文主要工作如下:（一）针对经典VQA算法——基于注意力机制的Up Dn模型,对其结果进行详细分析。由于视觉问答任务传统意义上算是一种分类任务,预测分类最大值即为模型认为正确的答案,为此本文将模型预测最大值定义为模型自信度。本文统计Up Dn模型自信度分布,发现该模型无论是在训练集上还是在测试集上都存在着相同的概率分布。本文进一步统计在不同概率区间回答的准确度,发现在训练集上,随着自信度增大,模型回答准确度增大,而在测试集上则出现断崖式跌落。（二）针对本文的分析,本文提出传统视觉问答算法Up Dn模型存在过自信现象。本文采用同样的分析方法进一步分析了Re GAT模型,CSS模型,Ru Bi模型等,发现同样存在这种过自信现象。（三）为了解决模型存在的过自信现象,本文提出一种过自信正则化方法,通过最小化模型的预测值,来减少训练集和测试集的偏差,从而调整模型预测值的概率分布,改善模型过自信的表现,达到提高模型准确度的目的。（四）为了进一步区分过自信和过拟合的区别,本文又针对经典数据集cifar10进行分析,构建了一个过拟合模型,发现该模型处理cifar10数据集时虽然存在过拟合现象,但不存在过自信表现。而本文的过自信表现的模型（Up Dn,Re GAT,…Ru Bi）不仅存在过自信还伴随着过拟合。为此本文得出过自信是过拟合的一种具体表现形式。过自信的模型一定存在过拟合,而过拟合的模型不一定伴随过自信。本文提出的过自信正则化方法在VQA-CP v2上进行了实验,通过实验,将本文的方法与现有的方法进行比较,平均模型精确度在VQA-CP v2上提高14个百分点。