视觉逻辑学习是计算机视觉学习的一个重要组成部分,它直接从给定的图像的信息中学习逻辑推理模式。视觉逻辑学习在许多应用领域(如,制造业、医疗诊断、智能交通导航、军事等领域)的各种智能/自主系统中发挥了关键作用。算术运算学习是视觉逻辑学习中的一个典型任务,该任务旨在学习输入图像和输出图像之间的算术运算关系。本文主要研究和实现了基于视觉学习的算术运算模型。首先将基于视觉学习的算术运算任务转换为一个回归问题,即创建一个算术运算模型使得预测图像和真实图像的差异最小;其次提出了一种基于多标签的算术运算模型,该模型使用算术运算中进位/借位的计算策略来降低算术运算模型的学习难度,从而有效提升了模型的性能。多标签模型在原有的算术运算模型上增加了含进位/借位标签和无进位/借位标签,将算术运算模型拆分为如下三个子模型:含进位/借位模型、无进位/借位模型以及合成模型。对于不同的子模型采用了不同的网络模型,其中含进位/借位模型和无进位/借位模型均使用了长短期记忆神经网络和卷积神经网络相结合的网络模型,但两个子模型的网络结构存在一定的差异,而合成模型使用了全连接神经网络模型。进一步在特定的数据集中,验证了多标签模型在解决基于视觉学习的算术运算任务的优势,并对多标签模型取得较高识别精度的原因进行了详细的阐述;最后开发了基于B/S架构的算术运算原型系统,开发该原型系统的目的是更加直观的让人们理解算术运算的视觉学习的研究目的、工作原理等,简化研究人员对算术运算模型的操作,也为后续研究奠定了一定的基础。