问题生成是自然语言处理的一个热门研究话题,有着丰富的应用场景,可以促进教育、对话系统、阅读理解等领域的研究与发展。最近几年,问题生成领域快速发展,研究学者提出许多方法来生成各式各样的问题。然而,在视觉问题生成领域,目前大部分研究仅仅基于图像来生成问题,而忽略了问题的难度。问题的难度在评估生成问题的质量中扮演着十分重要的角色。为了吸引用户,一个优秀的自动问题生成器应根据用户的能力和经验生成不同难度的问题。本课题研究如何定义问题的难度并构建包含难度标签的数据集用以生成和评估实验,研究如何融合难度信息到模型中以指导难度可控的问题生成。针对难度可控的视觉问题生成任务,本文首先借鉴教育领域的难度指数定义了问题的难度,即根据视觉问答模型是否能正确回答问题来评估问题的难度,并设计了一种自动标注策略来构建包含问题难度标签的数据集。基于此,本文提出了一个基于图卷积网络的模型来生成难度可控的问题。具体地,该模型主要包含两个关键模块:难度可控的图卷积网络（DGCN）模块和难度可控的解码器模块。DGCN模块用来捕捉给定难度标签条件下的图像中对象之间的关系。难度可控的解码器将难度信息结合到解码器初始化和每个时间步的输入中,以控制生成问题的难度。实验结果表明,该模型不仅在几个自动评估指标上取得了显着改进,而且可以生成难度可控的问题。考虑到上述根据视觉问答模型是否正确回答问题来定义问题难度是不全面的,这容易受到所选视觉问答模型的影响。此外,问题只定义了两个难度级别:简单和困难。问题难度应该是多样化以及可解释的。针对这一问题,本文重新定义问题的难度为回答问题所需的推理步骤数,这种难度定义方式反映了对推理和认知能力的要求。针对以上问题,本文提出了基于迭代式的难度可控的视觉问题生成模型,该模型主要包含一个初始解码器和细化解码器。初始解码器根据输入的图像、答案以及推理链生成一个初始的简单问题。然后,在更复杂的推理链的基础上,细化解码器逐步将初始问题重写为更困难的问题。为了有效地训练该模型,本文设计了多种策略从现有的大规模公开数据集中自动构建训练数据。本文模型在构建的数据集上超过了一组强基线模型,同时本文通过难度控制实验、案例分析以及错误分析阐明了模型的优缺点。