病虫害的发生往往受到环境条件、作物生长状况等因素的影响，而这些关键信息可通过文本或其他非视觉模态数据提供额外的判别依据。为了更有效地利用多模态高层语义信息，提出一种基于视觉-语言大模型引导的多模态图像融合方法。该方法充分利用多模态文本语义信息引导图像融合，并创新性地在潜在空间中探索文本描述与多模态图像特征的对齐关系。进一步地，通过所提三元交互注意力机制对文本嵌入进行动态更新，渐进式引导多模态特征对齐与交互。