随着互联网的飞速发展,海量的多媒体数据迅速增长并累积,形式上多元异构、语义上相互关联的图像、文本、视频、音频等不同模态之间的多模态学习任务受到广泛的关注。作为一种多模态学习任务,旨在让计算机根据图像内容回答问题的视觉问答（Visual Question Answering,VQA）是人工智能领域中一个极具吸引力的研究方向。它具有很高的实际应用价值,可以被用于监控、聊天机器人对话等场景中。因此,研究视觉问答任务具有一定的意义。本文基于图神经网络和注意力机制研究视觉问答任务中的多模态交互方法,希望通过探索视觉和语言之间的交互,提高计算机根据图像内容回答问题的能力。具体工作如下:（1）针对传统的视觉注意力模型BUTD（Bottom-Up and Top-Down）缺乏视觉对象间关系的推理能力,未考虑图像和问题文本之间的密集语义交互等问题,提出一种基于空间图卷积网络和协同注意力网络的视觉问答模型。该模型以二元关系推理作为图学习模块,学习和问题相关的图结构表示;将视觉节点特征通过空间图卷积层进行特征更新;然后将聚合更新了邻居信息的视觉节点特征以及问题词特征送入协同注意力模块,学习图像和问题之间的密集语义交互;最后将学习到的问题词特征和视觉特征输入多模态融合和答案预测模块,该模块使用统计学中的logistic函数在3129个候选答案上做分类。（2）以第一种模型为基础,进一步提出了一种基于门控图卷积网络和双向引导协同注意力网络的改进模型,用于探索图像中的显式空间关系以及图像与问题之间对称的语义交互对模型性能的影响。该模型基于图像中视觉对象之间的相对空间位置建立空间关系图,然后通过门控图卷积网络动态控制不同邻居对节点的贡献程度,再在双向引导协同注意力模块中对称地学习语义交互,最后通过多模态融合预测答案。（3）将提出的两种模型在VQA v2.0数据集上进行训练和评估。实验结果表明,第一种模型在test-std测试集上的总体准确率为68.12%,比传统的视觉注意力模型BUTD提高了2.45%。第二种模型在test-std测试集的总体准确率达到了71.04%,与第一种模型相比,推理能力得到了进一步提高。