逻辑推理是人类智能的核心,也是人工智能领域的一个关键且具有挑战性的研究课题。人工智能当前在图像的识别和分类任务上取得了显著的进步,但不足之处在于当前的识别系统缺乏推理能力。人工智能的目标之一是开发具有类似人类逻辑推理能力的机器,因此我们有必要来深入理解机器中的学习和推理。如何让计算机学习拥有类似人类的逻辑推理能力是一个非常重要的研究内容。当前的人工智能推理技术仍不成熟,让机器直接进行推理是比较困难的,在进行推理时往往需要为其提供先验知识或给定先验推理模式。针对这一不足,我们提出逻辑学习来研究机器的推理问题,目的是使机器可以从数据中直接学习逻辑模式,而无需事先设计或仅仅需要少量先验知识。智商（IQ）测试是定义和测试人类计算和逻辑理解能力的最常用方法之一,我们想要借助IQ测试问题来进行逻辑学习研究,那么机器是否可以从IQ问题中直接学出逻辑?基于这一问题,本文进行了如下的研究:（1）提出了图像描述IQ问题的视觉逻辑学习任务。目的是让计算机在不知道图像间关系和图像内所包含内容的意义的前提下直接学习IQ图像间的逻辑模式。对IQ问题视觉逻辑学习任务进行了定义和形式化表达,并针对该任务设计了复杂IQ问题数据集Fashion＿IQ,每个IQ问题的示例包括三张上下文问题图片和四张候选答案选项图片,其中这三张上下文问题图片是依次按照某种变换产生的,计算机需要学出上下文图片间的逻辑变换模式从而推理选出正确的候选答案。（2）验证了图像描述IQ问题的视觉逻辑学习任务的可行性。在三种传统神经网络模型上进行实验,探索在不为神经网络设计任何先验推理模式的前提下,直接学习IQ问题图像之间存在的逻辑模式进行推理。通过对不同模型在数据集Fashion＿IQ的不同变换的IQ问题上的推理准确度的分析,实验结果表明神经网络在纯数据驱动下,通过训练可以学出IQ问题图像间的逻辑模式,并推理出正确的答案。从而验证了图像描述IQ问题的视觉逻辑学习任务的可行性。（3）提出一种新的方法-时序关系网络来解决现有神经网络模型在图像描述IQ问题视觉逻辑任务上表现不佳的问题。基于IQ问题具有时序性的特点,本文提出了一种时序关系网络的逻辑推理模型,模型借鉴了LSTM处理时间序列数据的思想,使用关系网络模块将CNN提取出的IQ问题图像的空间特征和LSTM提取出IQ问题图像的时序特征相结合得到时序-空间关系特征,来进行进一步的推理。通过实验对比验证,本文提出的这种逻辑推理方法在解决图像描述IQ问题视觉逻辑推理任务时取得了最好的表现。并进行了IQ问题图灵测试,通过对比时序关系网络模型和人类受试者在做本文设计的复杂IQ问题时的推理准确度,说明机器可以取得接近于人类甚至在一些IQ问题上超越人类的推理准确度。本文以让神经网络来学习推理类似人类的IQ测试题为例,来探索在无先验模式的前提下让机器直接学习图像间的逻辑模式,验证了逻辑学习以纯数据驱动的方法学习逻辑模式进行推理的可行性,为视觉逻辑学习设计了一种新的逻辑推理任务,为机器进行逻辑推理这一研究方向提供了新的思路和方向,这对于研究机器的推理任务具有一定的意义和应用价值。