本发明涉及计算机视觉和自然语言处理技术领域，提供了一种图像问答的方法及装置，在实施例中，方法包括：确定图像；确定图像的问题对应的问题向量；对问题向量进行文本特征提取，确定问题向量对应的文本特征；对图像进行图像特征提取，确定图像对应的图像特征；对文本特征和图像特征进行融合，确定融合特征；其中，融合特征指示了图像中的不同区域和问题的相关性；基于融合特征和图像特征进行分类以理解图像中和所述问题相关的区域的语义，确定图像对应的问题的答案。通过对图像中和问题相关的区域进行理解分析，从而可较为准确的解答图像的问题。