视觉问答（VQA）任务要求机器自动对关于给定图片的问题做出恰当的回答,需要模型对图像和问题都进行细粒度的语义理解,然后通过视觉推理来预测准确的答案,是一项非常有挑战性的任务。其研究成果可以被应用于跨模态检索,人机交互等场景,有着广阔的应用前景,因此该任务也逐渐成为学术界的研究热点。目前经过几年的发展,视觉问答领域已经有了长足的进步,但是在通用数据集VQA v2.0上的测试结果仍有较大提升空间,如何增强视觉问答模型鲁棒性,提高它对out-of-domain数据的泛化能力仍然是较难的问题。本文探索了这些问题,并给出了相应的解决方案。本文发现位置信息（单词在句子中位置,物体在图片中位置）对于正确回答问题有着较为关键的作用,而目前视觉问答领域则缺乏对位置信息的充分利用。早期的REGAT,Counter等处理位置信息的方法无法和当前最先进的一类以Transformer结构为基础的模型相兼容,而类Transformer视觉问答模型或是忽视位置信息,或是采用容易产生噪声的将位置编码和语义编码加和后输入的方法来处理位置信息。为此,本文提出了基于位置信息引导的多模态注意力机制,它利用位置信息引导了语言模态内自注意力,视觉模态内自注意力,以及多模态融合的过程。并且可以兼容当前最先进的类Transformer视觉问答模型,有效提高模型性能。本文分析了当前在视觉问答模型鲁棒性研究领域上的主流方法:Ensemble-based方法,发现它在训练时会让模型重点学习那些表层语义关联无法处理的训练样本,因而会缺乏对某些训练数据的学习,导致其表示能力和视觉推理能力受损。为此,本文提出了分段训练方法,将模型的推理模块和分类模块的训练过程分离开来,使模型得以学习完整的训练数据,有效增强了模型对out-of-domain数据的泛化能力。本文发现当前用于测试视觉问答模型鲁棒性的数据集VQA-CP v2.0的数据分布有偏向性,导致一些投机取巧的算法能得到较好的测试结果,例如inverse supervision方法用正确标注和错误标注交替训练模型,却能得到超过绝大多数方法的测试结果。为此,本文调整了VQA-CP v2.0训练集和测试集的数据分布,使得到的新数据集可以有效抑制inverse supervision方法,并保持了VQA-CP v2.0的难度（即新数据集也能抑制表层语义关联带来的性能增益）。