图像相对属性学习旨在分析图像在某一属性上的相对强弱关系。属性作为人为定义的、可以观察到的图像特征,为图像的描述提供了更为丰富的语义空间,被广泛应用于目标识别、图像检索、图像描述以及零样本学习等领域。相对属性学习得到了学术界和工业界的广泛关注。现有的相对属性学习方法主要是基于排序学习的框架,将单张图像的特征映射到属性强度的评分,忽略了图像特征和属性之间的关系。根据以上分析,本文从以下两个方面开展研究:一方面学习联合图像特征,挖掘特征与属性之间的关系,将联合图像特征映射到相对属性空间;另一方面,引入通道维度注意力机制,挖掘特征与属性相关程度的差异性,自动发现并关注有价值的图像特征。具体来说,本文的主要工作和贡献体现在以下两个方面:一,本文提出了基于联合图像特征的相对属性学习网络。该模型利用深度卷积神经网络的图像特征进行联合图像特征学习,建立了联合图像特征空间向相对属性空间的映射,实现了图像特征提取和相对属性预测的联合优化。二,本文提出了基于注意力机制和联合图像特征的相对属性学习网络。该模型揭示和利用了图像特征与属性相关程度的差异性,在图像特征维度引入了注意力机制。模型通过注意力模块,自动发现并关注与属性学习相关的图像特征,增强了模型的特征学习能力以及特征与属性关系的刻画能力。