基于卷积神经网络（CNNs）的多任务学习方法在计算机视觉的各种应用中取得了显著的成功,是目前重点关注的研究方向之一。多任务卷积神经网络是在单任务模型结构保持不变的情况下,学习多个任务的共享表示,该共享表示适用于不同但相关任务的训练目标,使多任务模型更具有泛化能力。随之各任务分支拟合各自输出,从而完成多个任务的联合预测,并取得整体性能的提升。对于有效的多任务卷积神经网络方法,最近的研究均是通过自动学习各任务单个网络层特征的最优组合,以完成多任务学习结构的创新。然而,这些方法并不考虑各分支输入特征的特性,在模型训练结束后往往都是学习一个固定参数的特征组合方案。因此,本文为多任务卷积神经网络提供了一种自适应特征交互层,在该层中设计了一种动态交互机制,允许每个任务自适应地决定任务间知识的共享或保留程度。在自适应特征交互层中,本文引入了两种类型的特征交互模块,分别通过捕获不同任务在通道和空间维度上的特征依赖关系来实现特征的自适应交互。自适应特征交互层是即插即用的组件,具有较低的参数量和计算开销,在单任务学习结构不变的情况下将其扩展为多任务学习结构,从而实现性能提升。值得注意的是,多任务学习中的任务间梯度平衡策略也是多任务学习研究的关键。实际上,不同任务具有不同的复杂度和收敛速度,如果在没有任何平衡控制的情况下进行训练,那么多任务结构的梯度很可能被某个任务的梯度所主导,这是以降低其他任务性能为代价的。因此,本文根据多任务学习结构中各任务梯度量级的差异性,提出了一种新颖的任务间梯度平衡策略ReGrad,以保证多个任务在统一学习的框架下能够平衡学习,避免各任务学习方向产生偏差。多任务学习方法是通过探索任务间的内在关系,从而得到更一般的共享表示,使模型更具有泛化能力,最终提升所有任务的性能。受此启发,本文使用多任务卷积神经网络来探索图像美学评价和情感分析任务间潜在的相关性。图像的美学评价和情感分析分别使计算机可以辨认人类由受到图像视觉刺激而产生的审美和情感反应。近年来,现有的图像美学评价和情感分析的研究大多利用卷积神经网络自动的提取具有良好区分能力的图像特征。然而,目前的研究忽略了美学评价与情感分析的内在联系,通常将它们当作两个相互独立的任务,分离的看待图像领域的各类层次感知任务。因此,本文采用多任务学习的方法在统一的框架下完成图像美学评价和情感分析任务,探索任务间的内在关联。本文工作主要是进行多任务学习方法的研究与应用。本文首先完成对多任务卷积神经网络方法的创新,并对各任务的学习过程进行约束,提出了新颖的自适应特征交互网络。其次,本文使用多任务学习方法进行图像美学评价和情感分析应用的联合预测,从而实现整体性能的提升。在方法设计结束之后,本文进行了详细的消融研究,以便进一步理解所提出方法的细节和作用。同时,本文还与近期典型的方法进行了细致且全面的性能对比,包括在像素级别和图像级别任务上进行实验、采用多种准确合理的评价指标,以证明本文方法的可行性。实验结果表明,本文方法优于目前的最先进的多任务学习方法。上述工作的具体细节和代码模型已经公布:https://github.com/zhenshen-mla/AFANet.https://github.com/zhenshen-mla/Aesthetic-Emotion-Dataset。