场景图生成是计算机视觉领域的重要研究方向,很多的研究学者不断探索和研究针对图像深度理解领域中的问题。为了加深对图像理解的研究,在目标识别、图像字幕、视觉问答以及自然语言处理等研究基础下,场景图生成任务逐渐成为一个当前计算机视觉领域和自然语言处理相结合的热点研究课题。场景图生成任务要求丰富而高级的语义理解,这对机器来说是一个巨大的挑战。为了提升场景图生成模型的质量,本文针对场景信息利用不充分和在数据集关系谓词长尾分布等问题分别提出了场景融合模块（Scene Fusion Module,SFM）和因果分析模块（Causality Reasoning Module,CRM）。其主要研究内容如下:针对目前数据集中无场景标签的标准信息和当前现有模型中只是通过对象级别的上下文融合方法,忽视了很多环境的信息等问题,本文提出了SFM模块来构建基于场景融合的场景图生成模型。该模型使用图像的部分到整体的场景相结合进行建模,通过层叠卷积网络模块获取与对象特征等维度的特征表示,并共享其场景信息。在One Shot数据集上与现有模型相对比,SFM能够有效的促进图像场景信息和对象特征的融合,证明了SFM在场景图生成任务中的有效性。针对当前数据集中关系谓词长尾分布、关系谓词语义重叠以及关系谓词的细粒度不够等问题,本文引入了CRM模块来构建基于因果推理的场景图生成模型。该模型通过CRM模块来构建基于场景图任务的因果图,在因果图的指导下统计对象特征,并将其与关系特征做进一步融合。在One Shot数据集上与现有模型相对比,CRM模块能够在关系谓词长尾分布的情况下,观察出谓词对构成关系三元组的主要影响,证明了该模型能够对改善谓词长尾问题和区分部分谓词的大小类问题。最后本文为了同时合理利用场景信息和缓解长尾分布的问题,提出了基于场景融合的因果推理场景图生成模型。该模型在基础网络中使用多头注意力机制的特征表示学习模块进行特征的融合,通过消融实验和多组对比实验验证了SFM和CRM的有效性,证明了该模型能够有效的改善场景图生成的质量。