图像描述任务是自然语言处理和计算机视觉领域的交叉课题,近些年引起了国内外学者的广泛关注。随着人工智能技术的兴起,很多有效的图像描述模型被提出,但是大多数模型都将长短时记忆网络(Long Short-term Memory Networks,LSTM)作为生成器,而LSTM存在不能很好支持较长序列依赖的缺点,成为了基于LSTM的图像描述模型的性能瓶颈,导致现有模型不能很好学习较长句子中的上下文信息。目前的图像描述模型一般只能针对一种目标语言进行生成,而在很多应用场景中需要不同语言的文本,图像描述作为一种应用广泛的技术不应受到语言的限制。本课题针对以上问题展开了研究。针对目前模型支持较长序列依赖能力较差的问题,本文对图像描述模型的原理和目前先进的机器翻译模型展开研究,提出了一种基于机器翻译模型的图像描述模型。该模型利用机器翻译模型中现有的编码器和解码器结构,并融入预训练的卷积神经网络和一些解决特定问题的网络结构,能够更好学习较长句子中的上下文依赖信息。本文通过对比模型在句子长短分布不同的数据集上的表现验证模型的有效性。实验结果表明,提出的模型在较长句子分布较多的数据集中表现优于基于LSTM的图像描述模型。本课题从多任务学习和机器翻译模型的角度出发,研究如何解决目前模型的语言限制问题,通过借鉴多任务学习中的参数硬共享模式,提出了一种多目标语言图像描述模型。该模型具有多种能够生成特定目标语言的解码器。通过在中英文数据集上的实验结果表明,提出的多目标语言图像描述模型相比现有的单目标语言图像描述模型能够生成多种语言的文本描述并在性能方面获得一定提升。为了进一步提升模型的性能,本文对现有图像描述模型的优化方法展开研究。本文分别在模型提取图像特征和生成描述的过程中对其进行了优化。通过模型在不同数据集和不同优化参数下的表现中验证了方法的有效性并选择性能最佳的模型。实验结果表明,优化后的多目标语言图像描述模型生成的英文图像描述能够达到目前研究的较好水平。