随着网络的飞速发展、信息量的急剧膨胀,传统单一模态的信息逐渐被音频、视频、图像、文字等多种模态的融媒体信息所取代。目前的深度学习算法中处理单模态信息的方法并不能有效解决复杂场景下的真实问题,因此探索多模态信息的处理方法成为了重要的研究方向,其中图像内容理解与视觉推理任务就是一个典型。图像内容理解与视觉推理是指,将图像和关于图像的自然语言问题作为输入,并将图像与目标问题整合成一个多模态特征,利用该多模态特征针对图像内容进行“推理”,最终输出自然语言答案。本文以图像内容理解与视觉推理为研究内容,针对现有方法对多模态信息融合不够充分的问题,提出了新的多模态特征融合算法,通过针对性设计的多模态特征融合误差与多模态特征对齐,显著优化了多模态特征融合的尺度。此外,本文还针对现有方法对图像语义理解的层次较低的问题,设计了新的图像高级语义特征提取算法。本文最终基于以上两种算法,构建了一个端到端的多模态特征融合模型,并在主流数据集上的实验验证了该模型的可行性,结果表明,该模型显著优于现有主流模型,具有优越性。本文的主要工作内容如下:1.针对图像内容理解,提出了一个图像高级语义特征提取算法。该算法将图像与关于目标问题作为输入,通过学习目标问题的特征,并利用该问题特征指导网络模型去学习图像中更深层次的信息（物体本身、针对目标问题的行为与事件等高级语义信息）,最终输出图像的高级语义特征。2.针对多模态特征融合,提出了“多模态特征对齐”的定义,引入了“多模态特征融合误差”的概念,最终实现了一个新的多模态特征融合算法。该算法将图像高级语义特征与问题特征作为输入,基于双线性池化方法,通过使用MSE距离与Cross-entropy函数进行误差构造,通过“多模态特征对齐”,有效地将图像特征和问题特征融合为一个稳定的多模态特征。3.基于以上两种算法,构建了图像内容理解与视觉推理的整体模型,并进行了实验验证。本文在主流数据集VQA-v2上对该模型进行了实验分析,通过探究不同参数对模型表现力的不同影响以分析模型的有效性,并且还在目前通用的三个数据集（CLEVR、GQA与VQA-v2）上将该模型与现有的主流模型做了对比实验分析,结果显示本文的模型显著优于现有主流模型。