图像描述任务是对图片通过计算机转化成自然语言的技术研究,换句话说,是对图片文字化的解释技术,这是一项从视觉到文本的交叉综合性研究课题,它对人类在人工智能的发展领域上具有十分重要的意义。传统的基于检索的方式与基于模板的方式,所形成的描述模型产生的语句都具有不灵活、不准确、有局限性等问题。但是,基于深度学习的研究方法所构建的模型生成的语句,则可以很好地解决上述问题,从而也越来越受科研人员的青睐。虽然,基于深度学习训练的描述模型,相比前面两种方式有着许多优点,并克服了其中可能存在的困难,但目前的图像描述方法仍然存在着训练速度慢、对图片相关信息提取不够全面、以及产生的表达语句不自然等问题。针对这些问题,我们对优化图像描述模型的研究方法进行了改进。本论文所做的研究内容如下:（1）我们提出了基于ResNeXt-101网络和SE block注意力机制的图像描述生成方式。在编码部分,我们采用Res Ne Xt-101网络结合SE模块和目标检测器Faster R-CNN构建编码器模型来提取输入图像中的目标区域以及图像特征,从而有效解决了模型训练速度较慢的问题。（2）提出一个基于双层长短期记忆网络,及双注意力机制的描述模型生成方式。研究表明,在解码器部分采用双层LSTM并融合多种注意力机制的方法可以提升语言模型生成图像描述语句的性能。在图像特征提取阶段,我们通过以上第一部分的研究内容来提取特征,使模型从最开始就关注到图像的关键部分。为了提取到图像中更完整的信息,我们采用的是视觉注意力和语义注意力来构建注意力机制的方法,目的是为了使我们生成的描述语句更加精确丰富。最后,为了解决模型在训练和测试时出现不匹配的问题,采用强化学习方法对描述模型进行优化,利用贪婪算法得到模型生成的语句在指标CIDEr上的得分,将得分作为奖励对所构建的模型进行优化。综上,我们对基于深度学习的方法的描述模型算法进行了分析与改进。实验结果显示,我们提出的模型算法与传统的相比,可以更好的提升描述模型性能,并生成更为丰富精确的描述语句。