随着高性能计算机硬件的出现,深度学习技术发展快速。日益成型的万物互联世界产生了如洪流般的数据量,面对呈指数级增长的图像数据量,如何让计算机代替人力高效理解图像内容已成为研究热点之一。图像描述是对图像内容信息进行检测、识别,不仅要感知场景类型,而且还要鉴别对象属性及其关系,最终目标是生成能够合理描述图像内容的自然语言。作为自然语言处理和计算机视觉两大领域交叉的关键任务之一,图像描述不仅具有研究价值,还具有实用价值,结合深度学习技术已成为解决该任务的主流方法,虽然屡次取得突破性进展,但是仍然存在生成的结果对图像细节表述不清晰、与人类理解存在偏差的问题。研究深度学习框架下的图像描述模型,主要工作如下:（1）提出一种基于注意力特征自适应校正的图像描述模型。新模型在图像特征融合注意力机制的基础上,构建一个通道激活层,通过全面捕获通道之间依赖关系,进行注意力特征自适应校正,提高特征表示能力,进而提升由长短期记忆网络生成的图像描述语句质量。在MS COCO,Flickr8k,Flickr30k三个数据集上对模型进行对比实验,实验结果表明,提出的模型在MS COCO数据集上的BLEU＿1,BLEU＿2,BLEU＿3,BLEU＿4,METEOR,CIDEr得分分别可达到69.4%、52.3%、38.6%、28.5%、23.3%和83.6%,优于传统神经网络图像描述模型,能够生成更准确的图像描述。（2）在已有研究工作基础上,实现面向中文的图像描述任务,并对图像描述模型进行优化改进。针对单向长短期记忆网络只考虑上文信息的不足,提出采用双向长短期记忆网络作为图像描述模型的语言生成网络,利用其能够同时考虑上文和下文信息的特点,提高生成的图像描述语句质量。同时,在建立不同大小的中文词汇表阶段,提出一种分词的加速方法,采用Cython实现分词技术三个核心算法的方法进行分词加速。在ICC中文图像描述数据集上对模型进行对比实验,实验结果表明,提出的分词加速方法能够提高63.9%的分词速度,词汇表大小为8000的图像描述模型性能最佳,采用双向长短期记忆网络能够提高图像描述模型的性能。