近几年,现代智能系统发展迅猛,对于智能系统来说,了解其所在地点及周围环境非常重要。场景识别的目的就是帮助计算机理解周围环境,它可以描述图像所属的场景类别,而不只是列出场景中的对象。如今,场景识别广泛应用于人机交互、智能机器人、智能视频监控和自动驾驶等领域,已成为机器视觉领域的重要任务之一。目前,场景识别性能的提高主要得益于具有海量参数的复杂卷积神经网络的蓬勃发展和大规模数据集提供的必要训练样本。随着低成本深度传感器的快速发展,基于RGB图像和深度图像两种模态信息的场景识别成为新的研究方向。有研究表明这两种模态具有良好的互补性,有助于促进场景识别性能。另外,场景图像具有目标种类繁多,空间分布复杂的特点,对图像进行整体建模往往效果不佳。而注意力机制可以在学习过程中实现对有用信息的关注,并抑制无用信息,非常适用于场景识别任务。近几年,Transformer模型的出现将注意力机制推向一个新的高度,如何利用Transformer模型思想推动机器视觉发展是目前的研究热点。基于先前的研究,本文研究了结合多模态信息和全局自注意力机制的场景识别方法,主要研究内容包括:（1）广泛阅读了与场景识别相关的文献,了解了场景识别相关算法及注意力机制在国内外的研究现状,阐述了场景识别的研究背景和意义。深入分析了场景识别当前遇到的问题和挑战,并介绍了具有代表性的场景图像数据集。（2）分析比较了最新的基于RGB-D的场景识别算法,研究了经典的注意力机制方法,通过实验分析,得出结合RGB图像和深度图像的场景识别性能更佳的结论,同时证明了注意力机制有助于进一步提高场景识别准确率。（3）研究了Transformer模型在机器视觉任务中的发展现状,介绍了Transformer模型的基础结构。为了进一步理解Transformer的优越性,研究了Transformer模型中的关键技术。之后,将Transformer模型应用于场景识别任务中,通过实验证明了该方法的可行性。（4）提出了一个端到端可训练的双通道深度神经网络模型,该方法结合了多模态信息和全局自注意力机制实现场景识别,称为SR-MGA（scene recognition based on multi-modal information and global self-attention mechanism）模型。该模型分为四个网络模块:序列生成网络、全局自注意力编码网络、特征融合网络和分类网络。双通道结构一样,都由序列生成网络和全局自注意力编码网络组成。而全局自注意力编码网络由多个全局自注意力编码模块构成。为了解决网络易过拟合的问题,在全局自注意力编码模块的残差连接上加入了Dropout。另外,在双通道之间加入了侧向连接,以进一步挖掘两种模态之间的互补性。（5）对提出的SR-MGA模型中的策略进行了验证,并在SUN RGB-D数据集和NYUD2数据集上对SR-MGA模型的性能进行了实验分析,结果表明SR-MGA模型的性能远超于其他场景识别方法,证明了SR-MGA模型的有效性。