所谓物体可供性(affordance)是指:目标物体结合其所具备的能力和所处的外界环境,展现出的潜在“操作可能性”(actionpossibilities)。由于这种“操作可能性”与环境和执行者间可能存在的交互关系密切相关,因此物体可供性研究对于场景理解、行为识别等研究领域都有着重要意义。本文针对视觉可供性学习问题,从可供性分割和可供性推断两个方面开展研究,主要完成了如下工作:首先,设计了一个面向区域关系感知的深度卷积神经网络,通过感知目标物体内部不同区域之间的关系,实现了基于区域功能可供性的图像分割。此外,本文还提出将坐标卷积和多孔空间金字塔池化层融合,对提取的图像特征进行协同优化。与现有基于目标检测的可供性学习方法不同,本文提出的方法能够以端到端的方式直接为输入图像生成像素级的可供性分割图。在公开数据集IIT-AFF和UMD上的测试结果展现本文方法的优越性。其次,提出了一种基于时空双流网络的视觉可供性推断方法,结合物体自身属性和执行者操作意图来识别图像中各物体的功能可供性。具体地,空间流网络对目标物体进行特征提取;时间流网络利用视频帧间关系获取运动线索,实现具体操作区域的定位;两分支相结合以确定物体的功能类别,解决物体具有多类可供性的问题。此外,本文还基于GradCAM方法对各个可供性类别的激活特征进行了可视化,辅助判定操作区域的定位准确性。本文所提出的网络框架在训练过程中无需精细的分割标签,仅利用动作类别标签即可完成训练,因此大大提高了方法的实用性。而在OPRA数据集上的实验结果也证明了该网络的有效性。基于上述工作,本文实现了基于关系感知的视觉可供性学习,一方面利用物体内部各区域之间的关系实现可供性分割,另一方面基于操作者与目标物体间的交互关系完成可供性推断。本文的方法能够有效克服已有方法由于过分依赖目标检测所导致的误检、漏检、分割不全等问题,在人机交互、自主机器人等领域具有巨大的应用潜力。