视觉关系检测的目的是通过<object-predicate-object>形式描述图像中的物体以及它们之间的交互关系（谓词）来提供对图像的全面理解。视觉关系检测在图像字幕生成,图像检索,视觉推理,以及视觉问答等计算机视觉任务中起到了至关重要的作用。在视觉关系检测任务中,谓词的识别历来是模型改进的重点。但是不同类别的谓词在视觉关系检测数据集中存在长尾分布的现象,不同类别样本数量的不平衡意味着某些谓词类别的训练样本相对较少,模型无法从有限的训练样本中学习如何提取辨别性的特征。因此准确的识别不同类别的谓词仍是一个难题。目前大多数的模型仅对高频谓词类别有比较好的性能,低频谓词的准确率较低,这种现象影响了视觉关系检测的应用。本文主要研究了长尾分布下的视觉关系检测。相比较于其他存在长尾分布现象的计算机视觉任务,视觉关系检测在数据上有着不同的特点。视觉关系检测是一种多模态的任务,准确识别谓词的类别不仅需要来自图像的视觉信息和物体位置信息,也需要来自文本的语义信息提供谓词与物体之间潜在的语义关系,这使得模型需要能准确地提取来自不同模态的特征并将其融合。并且本文通过分析发现,在视觉关系检测任务的数据集上存在非规范标注与特征重叠两种现象。众包标注的视觉关系检测数据集VG,因为没有统一的标注规范使得数据集中存在一定的噪声,并且部分谓词类别特征相似,由于缺乏低频谓词的训练样本,模型很难提取低频谓词的辨别性特征。这些特点加剧了长尾分布对视觉关系检测模型性能的影响。本文通过两种思路减少长尾分布对视觉关系检测任务的影响。一是针对视觉关系数据集中训练样本极其匮乏的类别,提出了视觉关系检测的小样本学习任务。本文通过特征级别的注意力机制网络改善了由于样本量不足带来的特征稀疏的问题,并且使用了一个双图模块增强相同类别谓词的类内相似性,提高不同类别谓词之间的类间差异性来实现小样本学习。二是针对长尾分布下类别数量不平衡的现象,提出了类别不平衡条件下的视觉关系检测网络,在不降低高频类别检测效果的同时提高低频类别的检测性能,模型根据视觉关系检测数据的特点,使用了视觉记忆特征,通过不同类别之间的信息交流实现了高频类别对低频类别的特征补充。通过在多个数据集上的实验结果表明,本文提出的网络具有优异的性能。