视觉问答是计算机视觉与自然语言处理交叉研究的热点任务之一,可以应用于机器人、无人驾驶等多个领域。针对现有大多视觉问答模型仅能稳定回答简单问题的情况,论文从图像与文本的多模态特征交互出发,展开对回答复杂问题的研究,并在VQA2.0数据集上进行方法验证。主要研究工作如下:（1）构建具有关系计算模块的视觉问答模型,解决因关系信息缺乏难以回答目标数量统计类的复杂问题。该模型基于自注意力结构计算特征关系权重以突出具有关系的特征。在数据集中的消融实验、对比实验和可视化实验证明关系信息的有效性。模型从特征交互中获得关系信息后能在目标数量统计类问题中取得更高的准确率。（2）构建具有模态间特征交互增强模块的视觉问答模型,解决模态间局部细粒度关系信息不足而不能准确回答图像中目标间关系的复杂问题。该模型通过建立多层迭代的特征交互增强模块来提高对多模态特征中局部信息的理解与运用。在数据集中的消融实验、对比试验和可视化实验中证明了该模型在多层迭代的过程中能够更有效地找到图像中的关键目标并以此来得出问题的正确答案。（3）构建具有全局特征引导的关系信息增强模块的视觉问答模型,解决缺失全局信息而不能有效回答针对背景的复杂问题。该模型在全局特征的堆叠自注意力层挖掘单模态内特征关系,在局部特征的堆叠协同注意力层挖掘多模态间的特征关系。在数据集中的消融实验、对比实验和可视化结果证明模型引入全局特征后不仅对背景与目标的理解加强,在其他类型问题中准确度也取得了提升。总之,通过特征关系计算、特征交互增强以及引入全局特征,模型获得特征间关系、局部细粒度关系和背景信息,改善了对复杂问题的回答准确度。