计算机视觉和自然语言处理领域相关技术的快速发展,极大地推动了下游交叉任务的研究,比如视觉问答任务。视觉问答,是指根据给定的图像以及相对应的自然语言问题去预测答案。相比于静态图片,以运动图片为代表的动态图片具有诸如动作、状态、趋势等深层次语义信息,因而具有极大的研究价值。当前的研究工作主要探索图片信息,而忽略了问题中词与词之间的关系对正确预测答案的重要性。因而,本论文提出应该同时捕捉图片中对象与对象之间的关系以及问题中词与词之间的关系。首先,构建以运动场景为代表的动态图片,用于探索动态图片的深层次语义信息。本文应用注意力机制构建了双通道自注意力视觉问答模型。该基准模型用于验证问题中词与词之间关系对预测答案的重要性。然后,利用图神经网络捕捉图片中对象间的关系和问题中词与词的关系,本文分别设计了双通道图注意力(DC-GAT)、双通道图卷积(DC-GCN)以及双通道注意力加权的图卷积网络(DC-WGCN)视觉问答模型。本文开展了大量的效果对比实验、消融实验以及可视化分析。结果表明,同时捕捉对象间关系以及词与词之间的关系有助于提升视觉问答模型性能,从而验证了本文所提出方法的有效性。