推理能力是支撑模型建模、理解并分析复杂环境的重要能力之一。在目前人工智能领域的相关研究工作中，模型对感知任务的处理能力已经达到较高水准，但在场景理解、视觉推理等认知任务上模型的表现仍然未能达到人类的期望。因此，需要研发切实可行的人工智能方法来提升模型的推理能力，使模型能够更好地处理认知任务。提升模型推理能力的一个重要手段就是利用不能被直接观测获得的、与推理相关的信息。具体而言，在动力学场景中，这些信息表现为物体的物理属性；在视觉问答场景中，这些信息表现为视觉常识特征。通过挖掘利用与推理相关的信息，模型不仅能够对动力学场景中的物体进行更精准的运动轨迹预测，还能在视觉问答任务中进行更合理的答案预测。近年来，对于挖掘利用此类信息来更好地完成因果推断、时序推理等认知任务尚未得到充分研究。因此，本文针对提高模型推理能力的问题开展研究，主要聚焦于挖掘利用数据中难以直接观测得到的却能够支撑推理的信息。具体而言，本文从两个典型场景出发，分别针对动力学场景和视觉问答场景展开研究，借助因果工具，进行基于因果关联的信息挖掘、传递和利用研究，并且在两个应用场景中进行充分的实验验证。本文的主要贡献如下：

1. 提出了一种基于全局因果关联注意力机制和物理信息时空传递结构的反事实预测模型。

对于动力学场景中的反事实预测任务，现有研究存在着一些缺陷。比如，缺乏对潜在因果链的挖掘，导致模型难以准确预估场景中物体的物理属性；预测模块不能高效传递利用物理属性。针对这些问题，本文聚焦于动力学场景中的物理属性，包括质量、摩擦因子和重力等，提出了一种基于全局因果关联注意力机制和物理信息时空传递结构的反事实预测模型。全局因果关联注意力机制能够辅助模型建模长距离跨帧物体之间的因果关联，通过同时捕获空间和时序信息来挖掘物理属性。物理信息时空传递结构在空间和时间两个维度上传递利用挖掘获得的物理属性，辅助模型进行更为精准的反事实预测。在物理属性真实值未知的情况下，本文提出的模型能够充分利用物理属性形成的约束，在多个数据集上取得了目前最优的性能，并且能够较好地泛化到新的环境，保持良好的预测精度。

2. 提出了一种基于视觉常识信息的异质图对比学习框架。

在视觉问答领域中，现有工作主要关注如何在多模态交互模块中对齐并融合跨模态信息，缺乏对视觉常识特征的重视；部分考虑了视觉常识的研究工作没有合理地传递利用视觉常识特征。针对于此，本文提出了基于视觉常识信息的异质图对比学习框架（VC-HGCL），该框架主要包括对比学习和异质图关联网络两个子模块。该框架通过引入对比学习，鼓励模型在回答与推理相关的问题时更关注视觉常识特征，并对场景中不同的对象进行权重的合理分配。异质图关联网络的设计目的在于高效结合利用视觉常识特征，物体视觉特征与文本特征，在同一模态和不同模态的对象之间建立合理的因果关联。此外，本文还将该框架设计成即插即用的形式，大大提升了框架的可延展性。本文将提出的框架与七个经典视觉问答模型进行了结合，并在四个不同的视觉问答任务中进行了实验。实验结果表明在 VC-HGCL 的帮助下，经典视觉问答模型的鲁棒性和预测准确度都得到了显著的提升，尤其是在与推理相关的认知任务上，比如因果推断和时序推理。