场景图生成任务是对图像理解的一种结构化表示形式,这种表示形式不仅可以为基本的目标识别任务提供上下文线索,还可以为更广泛的高级视觉任务提供价值,应用前景十分广泛。针对模型中的单峰偏置问题和数据集中的数据偏置问题,论文首先研究模型单峰偏置缓解,通过引入协同策略来缓解单峰偏置,并基于提出的场景图生成模型展开数据偏置缓解的研究,重点研究了奖惩策略下和类平衡策略下的场景图生成方法。主要工作内容如下:（1）针对模型中存在的单峰偏置问题,论文提出了一种协同策略下的模型单峰偏置缓解方法。该方法基于协同策略中的“1+1＞2”的思想,以注意力机制的方式用视觉信息引导易于学习的语言先验去缓解单峰偏置中的模态偏置问题,并引入结合无限制评价指标与有限制评价指标的综合性评价模块去缓解单峰偏置中评价偏置问题。实验结果证明视觉与语言之间的有效协同和两种评价指标之间的相互协作协同均能使模型获得更合理的预测结果。（2）针对数据偏置中的头尾数据极度不均衡问题,论文提出一种奖惩策略下的数据偏置缓解方法。该方法基于人类形成场景结构中的学习机制,对于稀少类别样本的尾部使用奖励策略以不同域知识互补奖励稀少类别样本,对于富余类别样本的头部使用惩罚策略以调制因子抑制并降低冗余类别样本。实验结果证明该方法有效地改善了目标层和谓词层的尾部类别的分类性能,消除了冗余头部类别带来的消极影响,从而有效缓解头尾不平衡分布落差。（3）针对数据偏置中的整体类别分布不平衡问题,论文提出一种类平衡策略下的数据偏置缓解方法。该方法根据有效样本空间的边际效应,利用在不重加权和重加权之间平滑地调整类平衡项,并与奖惩策略下的数据长尾偏置缓解方法共同构成最优方法去生成场景图。实验结果证明所提方法能决定最佳的决策边界,并从全局性的角度进一步缓解了整体类别分布的不平衡。总之,论文从针对于场景图任务中模型偏置缓解和数据偏置缓解展开研究,提出了基于偏置缓解的场景图生成方法。在VG数据集上的实验结果表明,论文所提方法有助于模型更好地学习数据,从而生成准确且含义丰富的场景图。