对视觉场景的完全理解被视为计算机视觉领域的“圣杯”,为了实现对视觉场景的完全理解,以更好的完成视觉问答、图像字幕等较为高级的计算机视觉任务,学者们提出了场景图生成问题。场景图是一种图形数据结构,负责描述图像中的对象与对象之间的关系,场景图通过节点表示场景中的对象,而连接节点的边则表示场景中各种对象之间的关系。通过场景图,人们可以获得图像中场景的语义表示,是进一步完成场景理解的基础。囿于现有场景图生成数据集中关系存在的长尾特性,以及模型对目标信息的不准确的推测,虽然场景图生成研究的数量激增,如何挖掘数据集中尾部关系,并且有效的预测关系对对应的目标信息仍然是一项具有挑战性的任务。本文首先提出了一种结合视觉关系特征融合的场景图生成方法,它是基于现有的基于上下文学习的场景图生成方法的改进框架,主要包含视觉关系特征建模模块、关系与目标上下文特征提取模块以及以视觉塔克分解（VTucker）为核心的特征融合模块等模块。该模型的基本思想是使用多模态特征融合模型作为整体的决策代理,通过Tucker分解来逼近完整的双线性模型,从而缓解现有模型存在的关系推理偏倚问题。为了验证模型的有效性,本文在VG150数据集中进行了仿真实验,实验结果显示,结合VTucker的现有上下文方法在场景图生成的谓词分类与场景图分类子任务中的平均召回率与无图约束的平均召回率指标超越了基线方法;同时,关系的逐类对比、消融实验以及场景图可视化实验结果表明,视觉塔克分解模型具有对关系推理的去偏倚能力。虽然VTucker模型具有良好的去偏倚能力,但在视觉关系建模模块中,其主要使用“关系”标签进行损失计算,因此该方法对于关系学习的准确度有较大的提升,但是其对目标信息的推理与学习能力有限。为了更好的提升场景图生成网络对目标信息的推理能力,本文提出了上下文生成对抗网络（Context-GAN）。该网络在训练过程中使用基于生成对抗网络的正则器结合经目标上下文推理后的目标信息对图像进行重建,该正则器使得网络对错误的主客体种类预测施以更强的惩罚,以提升网络对于关系对中主客体目标信息的推理能力,从而提升场景图生成模型在与目标信息推理相关的场景图检测与场景图分类任务的推理能力。本文主要在作者自制的数据集视觉实验板（V＿E＿Board）上进行了相关实验,该数据集中存在着目标种类的长尾分布,因此需要一定的推理分析才能提供更为准确的场景图。实验结果表明,对V＿E＿Board数据集而言,Context-GAN相比于基线方法具有更强的对关系对的目标信息推理能力,同时对数据集具备一定的鲁棒性。