当我们看一张图像时,便会很自然地联想图中人物间的关系,这能为人物性格以及可能将采取的行为提供线索。在计算机视觉领域,社会关系信息也大有用处,可被用于提高其他任务准确率,如人物轨迹预测、多目标跟踪等。目前该领域工作大部分都是针对特定场景的,因为社会关系的复杂性为通用场景下社会关系识别的完备性及准确性带来挑战。本文工作就是一种通用的社会关系识别方法。现如今,已有的相关工作还存在以下两个问题:忽略不同人物属性对社会关系识别的不同影响;未综合考虑人物以及上下文语义线索。为解决以上问题,本文做了如下两个工作:（1）针对忽略属性线索对识别的不同影响这一问题,提出了基于人物多属性的社会关系识别模型。它分别从人物对图像中提取人物对语义属性特征、社会关系特征,再利用基于低秩双线性池化的注意力机制学习到的不同人物属性对社会关系的注意力系数来融合人物属性特征和社会关系特征,将其输入到SOFTMAX分类器得到社会关系识别结果。（2）针对未综合考虑人物及上下文语义线索这一问题,提出了基于多属性和上下文的社会关系推理模型。它在第一个工作基础上还引入了基于上下文的社会关系推理模型,该推理过程是通过GGNN模型实现的。首先根据先验知识构建语义物体与不同社会关系的知识图结构,再将从给定图像上提取到的背景物体特征和社会关系特征初始化图中对应节点,再根据GGNN模型前向传播规则进行信息传播和融合得到所有节点输出特征,引入注意力机制以社会关系为维度分别融合该社会关系节点和相邻语义物体节点输出特征,将融合后的特征依次输入到SOFTMAX分类器得到所有社会关系上的得分,最后将该得分与第一个工作得到的得分进行融合,从而推理出社会关系。本文实验数据集是PIPA-relation数据集,该数据集标签是等级结构的（关系域-关系）。因此本文实验把在All Class划分下域识别m AP、关系识别m AP分别作为粗粒度关系识别、细粒度关系识别的性能指标。除此之外,本文实验也在去除某一社会关系的训练集上训练模型（该数据集划分被称为Single Relation数据集划分）,然后计算在测试集上的的关系域识别m AP,将其作为度量方法泛化性能的指标。由实验结果可知,本工作方法在粗粒度关系识别性能、泛化性能相较于其他工作有了一定提高。本工作也为其他基于语义线索的社会关系识别工作提供了参考,具有良好的扩展性和应用性。