图像文本匹配在连接视觉和语言方面起着至关重要的作用。目前的一部分先进方法试图通过丰富的特征编码推断更有视觉语义性的全局对齐信息;而另一部分模型通过采用跨模态的注意力单元来捕捉区域和单词之间的潜在局部对应关系,然后将所有的对齐信息整合得到最终的相似度。无论是开发图像和文本之间的全局对齐,还是探索区域和单词之间的细粒度对应关系,都取得了令人印象深刻的成功。然而,这些工作都面临两个亟需解决的问题。首先,如何充分桥接并高效融合全局和局部对齐信息来推断出更准确的匹配分数,仍未得到充分的探索。另外,这些工作大多注重设计复杂的架构或者引入额外的信息来优化跨模态交互和融合过程,忽略了网络本身的强大的调节能力。针对第一个问题,本文提出了一种用于图像文本匹配的相似度图网络推理和注意力过滤（SGRAF）网络。具体来说,首先学习基于向量的相似度表示,以更全面地表征局部和全局的对齐信息,然后引入采用图卷积神经网络的相似度图网络推理（SGR）模块,以感知局部和全局相似度的关系。相似度注意力过滤（SAF）模块通过有选择地关注重要的和有代表性的对齐信息,同时抛开无意义的对齐信息的干扰,从而有效地整合这些对齐来辅助SGR模块。针对第二个问题,本文提出了一个循环对应调节器（RCR）,它迭代地完善跨模态注意力单元,从构建的对齐信息学习到更准确的潜在对应关系;此外,还提出了一个循环聚合调节器（RAR）,它通过权衡和更新聚合权重来强调重要的对齐,并淡化不重要的对齐。有趣的是,RCR和RAR是“即插即用”的:它们都可以与许多现有的框架整合以获得显著的效益,二者的结合可以带来了进一步的提升。本文证明了所提出的方法的有效性和通用性,在Flickr30K和MSCOCO数据集上实现了最先进的性能,并通过大量的实验和严格的分析证明了SGRAF和RCAR方法的良好可解释性和实用性。