随着人工智能领域的飞速发展,图像描述任务作为实现人机交互的关键技术成为了一项重要的研究课题。该任务不仅需要对图像中的内容进行准确的识别,同时需要理解图像中各个物体之间存在的关系,是一项十分具有挑战性的任务。目前基于深度学习的编码器-解码器图像描述算法框架使得算法性能大大提升。然而,依然存在着以下不足:（1）在使用长短时记忆网络进行解码生成图像描述本文的过程中,图像特征会被压缩到一维空间中,破坏了原始图像中的空间结构。同时传统的注意力机制是通过训练得到一个权重矩阵来获得图像的重点区域进行关注,会导致网络过分注重局部信息而忽略了图像的全局信息。（2）在现有的编码器-解码器框架下,解码器选用的都是循环神经网络及其变体形式,是一种单向的序列结构模型。在生成描述语句的过程中,会导致模型只能根据已经生成的单词进行预测,无法有效的关注后向上下文信息。因此针对上述问题,本文开展了基于深度学习的图像描述算法研究。提出了一系列改进措施,本文的主要研究内容和贡献包括:（1）提出了一种基于二维隐含空间结构多注意力机制图像描述算法,来使得在解码过程中保留图像的原始空间结构,使得注意力机制可以更好的抓住图像中的重点信息。之后添加了跨通道注意力机制去补充图像的全局信息。（2）提出了基于双向语言信息的图像描述算法,通过添加一个反向解码器来获得后向上下文信息作为补充,通过注意力机制自动的输入到正向解码器。之后设计两个自适应门控制机制来减少图像特征和反向上下文信息中噪声的干扰。综上所述,本文对基于深度学习的图像描述算法进行了研究。针对现有的编码器-解码器框架的缺陷提出了一系列的改进方案,并在公开数据集MS-COCO和Flickr-30K上进行了验证,取得了良好的效果与表现。