为了提高视觉问答（VQA）模型回答复杂图像问题的准确率，提出了面向视觉问答的跨模态交叉融合注意网络（CCAN）。首先，提出了一种改进的残差通道自注意方法对图像进行注意，根据图像整体信息来寻找重要区域，从而引入一种新的联合注意机制，将单词注意和图像区域注意结合在一起；其次，提出一种“跨模态交叉融合”网络生成多个特征，将两个动态信息流整合到一起，每个模态内产生有效的注意流，其中对联合特征使用逐元素相乘的方法。此外，为了避免计算成本增加，网络之间共享参数。在VQA v1.0数据集上的实验结果表明，该模型的准确率达到67.57%，较MLAN模型提高了2.97个百分点，较CAQT模型提高了1.20个百分点。所提方法有效提高了视觉问答模型的准确率，具有有效性和鲁棒性。
