随着网络信息技术的协同式发展,网络及社交媒体上每时每刻都涌现出大量的图像及文本数据。其中,图像作为一种重要的信息承载媒介,往往呈现出数据量大、内容多且覆盖广等诸多特点。面对网络中海量且持续的视觉信息,单靠人工标注工作量大、成本高、差异多,且不利于提升图片分类及索引的效率。图像生成描述系统允许用户输入图像,并自动返回与之内容匹配的自然语言描述。该模式有助于节约时间和人力成本,实现机器对图像视觉信息的自动理解,既可以解决图片引擎的效率和性能问题,还可以维护网络环境的安全。随着深度学习的发展,图像生成描述技术近年来已经取得了不错的进展。但是,现存的描述方法仍存在着诸如准确性、细节性、多样性不足等一系列“语义鸿沟”问题,这意味该研究还存在着巨大的提升空间。本文致力于研究提升描述网络的性能和生成语句描述的质量,针对自动文本描述现存的问题,做出了以下研究成果:（1）针对图像生成描述语义信息偏差的问题,本文提出了一种基于残差注意力机制和有序记忆模块融合的描述算法。高效提取关键的视觉特征,充分利用有序记忆模块学习到语句的层级信息。实验表明,该融合算法可以有效地提升描述内容的语义准确性,并生成更加准确且富有层次感的描述;（2）针对图像描述高级语义细节缺失的问题,本文提出了一种基于知识图谱的视觉关系描述算法。生动呈现图像实体的视觉关系网络,深入挖掘实体间的视觉关系,用以丰富描述的语义细节。实验表明,该算法可以有效地增强描述细节的语义完整性,生成更加全面且贴近自然语言的文本描述;（3）基于上述研究,本文提出了一个基于深度学习的图像高级语义描述算法,来解决上述高级语义偏差和缺失的问题。结合深度学习中的诸多先进机制,融合上述两种算法,优化和改进图像描述技术。旨在跨越“语义鸿沟”,实现自动化地高质量图像描述生成。本文在大型数据集上评估并验证了所提出的算法,最终实验表明,该算法能够生成准确全面、层次丰富、流畅自然的语言描述。