场景理解是现代智能应用的重要基础,能够为智慧城市、自动驾驶、移动机器人等诸多应用提供场景中目标物体、语义关系、环境位置等必要的上下文信息,帮助智能系统做出更合理的决策。场景理解进一步可以分为场景分类、场景属性识别、场景解析等子任务,其任务难度不断增加,也对场景特征的表示能力、场景模型的分类判别能力提出更高要求。一方面场景图像的复杂结构和背景噪声,使类内不一致问题尤为突出;另一方面,场景类别、属性、目标的规模越来越大,已有方法的特征表示能力、分类识别与解析性能仍然不足。因此,更一般的场景理解任务仍是巨大挑战。而特征融合方法能够去除冗余和不相关信息,实现多种特征互补,使得构建性能更高和更鲁棒的场景理解模型成为可能。本论文面向场景理解三类子任务存在的问题与挑战,基于特征融合理论,分别结合深度学习模型、图学习模型及其他数学模型,研究并提出相应的分类识别算法或解析方法,主要贡献包括以下四个方面:（1）针对场景分类中的类内差异较大问题,提出自适应非负特征融合（Adap-tive Nonnegative Feature Fusion,Ada NFF）方法,提高复杂场景图像的分类性能。Ada NFF能够将非负矩阵分解、自适应特征融合和特征融合增强（Boosting）集成到端到端过程中,实现场景图像的特征学习和分类。首先,针对场景图像特征的非负特性,建立一种基于非负矩阵分解的自适应特征融合方法,来应对场景类内差异较大问题。其次,基于单特征或多特征融合结果,提出一种特征融合Boosting算法,以进一步提高图像特征的表示能力。最后,训练归一化l2范数分类器和多层感知器分类器来预测场景图像的标签。所有分类器都在场景分类基准数据集上进行验证。实验结果表明,该方法能够有效处理类内差异较大的复杂场景分类问题,并取得较好的分类性能。（2）针对较大规模的场景分类问题,进一步提出最大熵融合神经网络架构搜索（Neuro-Max Ent Fusion Architecture Search,NMFAS）方法,有效降低较大规模场景的分类错误率。NMFAS基于深度卷积神经网络模型,通过扩展神经网络特征融合操作,对已有的神经网络架构搜索技术进行改进,来实现对最优场景分类模型架构的搜索。首先,在可微架构搜索的基础上扩展搜索空间,引入更多的特征融合操作,包括最大值、卷积、乘法、三维池化等。然后,将所有的特征融合操作推广到更一般的形式,以接收更多输入流提高架构的兼容性。最后,为克服搜索空间扩展的复杂性,提出基于最大熵约束项以降低搜索成本,同时避免架构参数的过拟合。实验结果表明,该方法可以通过特征融合操作提升模型性能,并加快搜索阶段,与其他先进方法相比能够降低架构搜索成本。（3）针对场景属性识别的属性表示建模,提出基于小批量最小单纯形估计（Mini-batch Minimum Simplex Estimaiton,MMSE）的特征融合方法,加强场景属性的特征表示能力并提高场景属性识别性能。MMSE通过引入线性混合模型来构建场景属性的单纯形表示模型,将场景特征学习问题转化为最小单纯形估计问题并求解,进而实现场景图像的多属性识别。首先,基于线性混合模型进行场景图像建模,提出一种小批量最小单纯形估计算法,用于从复杂的场景图像数据中学习基于属性的场景表示。然后,提出一种两阶段多特征融合方法,来进一步改进场景属性的特征表示。最后,利用非负矩阵分解算法的快速收敛性和非负特征保持性,来提高大规模场景数据集的计算速度。场景属性识别的实验结果表明,该方法的性能优于其他几种先进的场景属性识别方法。（4）针对场景解析中的目标多尺度问题,提出自监督特征融合图卷积网络（Self-supervised Feature Fusion Graph Convolutional Network,SFGCN）模型,提高场景图像中多尺度目标的解析精度。SFGCN以图卷积网络为基础,设计并加入K级邻域图空间卷积、谱图卷积特征融合与自监督注意力、场景多领域自适应池化等模块,加强模型对局部小尺度目标的特征学习能力,实现场景图像的像素级语义标签解析。首先,模型采用层次化网格划分来构建场景图特征数据,进而以基于K级邻域的空间图卷积运算构建网络模型实现全局特征学习。然后,针对局部语义标签难以解析问题,提出基于自监督特征融合的图注意力模块,通过结合谱图卷积和注意力机制为局部模型权重训练增加自监督信息,以加强局部特征学习。最后,为保持多领域场景图像的领域内一致性,提出多领域自适应的场景图池化方法,改善场景图像因自身差异导致的类内不一致问题。在多个公开数据集上的实验结果表明,该方法能够有效实现场景多尺度目标的语义解析并且优于其他几种先进方法。