多任务学习通过利用相关任务的共享信息优化多个学习任务,从而提升各个任务的模型预测能力。多任务学习作为人工智能的一个重要研究方向,已被广泛应用于机器学习的各个领域。近些年来随着深度学习的快速发展,多任务学习技术在处理视觉、文本和语音等任务上取得了令人满意的性能表现。然而由于多个任务间关系的复杂性,深度多任务学习过程中存在共享信息匮乏和负迁移等问题。因此如何令特定任务有效地学习来自于其他任务的知识信息仍然是多任务深度学习长期以来面临的重大挑战。贝叶斯深度学习将贝叶斯学习原理与深度神经网络相结合,已经成为了一个强有力的研究领域。它通过捕获模型中存在的不确定性因素,与传统深度学习相比具有更强的感知与推理能力。考虑到在深度多任务学习中多模态信息交互时存在大量的不确定性问题,本文通过引入贝叶斯深度学习方法,分别从共享网络模型结构与任务优化平衡策略对多任务学习方法进行研究,本文的主要工作如下:针对多任务学习网络中由于固有模型结构造成的共享信息交流问题,本文提出一种利用贝叶斯门机制的多尺度多任务学习网络。本文在共享网络解码阶段设计了一种多尺度与多任务的知识交互模块,实现在网络解码阶段中不同尺度特征与多个任务间的共同学习。各个特定任务在多任务学习单元池中学习尺度的上下文信息,同时进行任务间的信息交流。本文设计了贝叶斯知识选通门机制,利用贝叶斯深度学习算法,门控单元在共享网络的不同交流阶段选通不确定的共享特征流。实验表明本文提出的模型能够在多个视觉任务中实现更好的性能。针对如何避免任务间的负迁移和进行任务权重平衡问题,本文提出一种基于权重更新的贝叶斯多任务动态优化策略,通过引入贝叶斯深度学习解决多任务优化策略问题。本方法通过考虑在未来信息中的不确定性,对使用前瞻信息的验证损失相关的任务权重进行学习,并利用贝叶斯深度学习算法将验证损失任务权重分布化,以探索未来梯度中各个任务间的关系,从而令每个任务的权重向更优的梯度方向进行更新。在多个计算机视觉任务数据集与多任务网络的实验表明,本方法能够更加有效地实现多任务学习性能的提升。