近年来,深度学习以及大数据的发展给人工智能带来了极大的突破,在计算机视觉、自然语言处理、语音识别等领域有着广泛的应用。其中在计算机视觉任务中,真实图像存在背景复杂、目标主体信息不突出的特点,通常在图像的预处理工作中对物体进行人工标注。然而人工标注需要耗费大量的人力和时间,并且传统的深度学习模型对整个图像数据进行编码,无法找出图像中的关键区域。因此如何在不依赖人工标注的情况下找出图像中物体所在的位置是计算机视觉任务中值得研究的问题。深度学习中的注意力(Attention)机制模仿人类的视觉系统,选择性地关注图像中的ROI(感兴趣的区域),同时忽略其他可见的信息,这一特点使得注意力机制适合解决弱标签下的视觉任务,然而传统注意力机制在视觉任务的应用中(比如多目标识别、图像描述生成)仍然存在一些限制和不足之处。因此本文针对上述问题,提出了一种面向视觉任务的条件注意力机制,并给出相应的实验分析。本文主要完成以下方面的工作:(1)针对传统注意力方法在门牌号识别任务的不足之处,本文提出了一种条件注意力机制,通过衡量条件全局特征和CNN局部特征的相似度计算每个目标的注意力特征。首先从原理上对模型结构进行了详细的阐述,并验证了条件全局特征设计的合理性,最终通过实验证明模型在门牌号识别任务中达到了目前最高的识别准确率,并通过可视化图直观地展现了注意力聚焦的关键区域。(2)针对弱标签下的多目标分割和图像描述生成任务,本文在条件注意力机制的基础上注入语言模型,在解码端利用双向LSTM结构生成高质量的描述性句子。本文从理论上证明了模型的可行性,并且详细阐述了模型的结构和原理,其次介绍了实验所采用的数据集以及图像描述生成任务的客观评价指标。最终在弱标签下的多目标分割实验中,模型在不依赖标注信息的情况下根据句子中的名词分割出图像中的物体;在图像描述生成实验中,模型在MSCOCO数据集上的性能超越了传统软注意力模型,取得了一定的效果。