在深度学习领域,视觉问答一直是热门的研究方向,这一任务的定义如下:一个视觉问答系统涉及视觉和文本的处理。由自然图像和形式自由、开放式的自然语言问题作为输入,以生成一条自然语言答案作为输出。目前的视觉问答方法通常基于物体检测的模型,计算速度慢且缺乏可解释性。并且训练依赖大量样本缺乏少样本学习能力。在本文中通过使用纯Transformer结构或卷积与Transformer相结合的方式对图像特征进行提取。并通过注意力方法提取特征中的关键信息。以此解决传统视觉问答方法当中计算性能消耗大,时间长的问题。同时通过元学习方法进一步的提高了模型的小样本学习能力,本文的主要研究内容如下:首先本文重新审视了不同的视觉特征提取方法对视觉问答模型的影响,并发现可以使用卷积和Transformer结构替代传统方法当中的区域选择和区域特征计算模块,有效的地提高了计算效率。并且相比于传统的视觉问答方法,本文的方法更有更高的可解释性。通过将模型中的注意力信息可视化我们可以清晰的看到在问题的回答过程当中模型依赖的重要图像区域和问题当中的重要词汇。其次传统学习方法依赖大量的训练数据,而在视觉问答这一任务当中涉及到的问题类型和问题形式是自由的也是不可预测的。传统方法缺乏对陌生问题的应对能力,为了增强模型的小样本学习能力。本文将问题以相似度进行分组,通过元学习方法对一组相似的问题进行比较,推测出这些问题之间答案相同的可能性从而进一步的提高模型在少样本学习情况下的准确率。总的来说,本文主要利用注意力的方法对文本和视觉信息进行提取,实现了多模态下的协同注意力机制,并通过元学习方法增强了模型在少样本情况下的准确率,最后通过视觉问答数据集上的大量的实验证明了本文的模型无论是在准确率上还是计算效率上都优于传统的视觉问答方法。