一种融合多模态视觉理解的文书修改分析方法、系统、终端及存储介质

本发明涉及计算机视觉技术领域，公开了一种融合多模态视觉理解的文书修改分析方法、系统、终端及存储介质，所述方法包括：获取用户输入的文本、图片链接和前端直传图像，根据双通道归一化规则对文本、图片链接和前端直传图像进行图像归一化处理，得到标准化多模态输入数据；将标准化多模态输入数据输入到视觉大模型，视觉大模型对标准化多模态输入数据进行识别，得到结构化要素信息；获取RAG检索规则，根据RAG检索规则对所述结构化要素信息进行修改分析，得到文书修改分析结果。本发明基于双通道归一化融合多模态输入，按视觉大模型识别与RAG检索驱动分析，得到文书修改分析结果，实现从图像输入到识别结果的精准闭环分析。