遥感图像描述生成任务结合了计算机视觉领域与自然语言处理领域,不仅要提取复杂场景遥感图像视觉特征,还要用准确自然、丰富流畅的语言对其进行描述,在遥感图像检索,军事侦察领域等领域都发挥着十分重要的作用。近年来,受益于卷积神经网络的深度特征提取能力以及循环神经网络和长短期记忆网络对时序信息的建模能力,基于深度学习的方法成为目前研究的主流。但是由于遥感图像本身的背景复杂多角度多尺度等特性,如何准确表达遥感图像特征以及实现不同模态视觉区域特征和描述词汇的对齐仍然是制约目前遥感图像描述生成精度的主要因素。本文主要针对遥感图像的视觉特性表达以及复杂场景下的语义描述问题开展以下研究:针对遥感图像的多尺度以及背景复杂性特性,本文在编码端引入了多尺度特征提取模块,其分别通过使用不同大小的卷积核获得不同的感受野和特征金字塔的方式来实现遥感图像多尺度特征的提取。针对细粒度遥感图像多尺度特征的有效利用问题,本文提出了特征融合模块,分别利用多层感知机和Transformer来对多尺度图像特征进行局部和全局建模,自适应地融合多个尺度的图像特征,实现特征优化。针对解码过程中图像与文本的语义关联难题,本文在解码端提出了一个基于视觉文本对齐的解码网络,实现解码过程中实现视觉区域和描述词汇的对齐,通过门控机制增强注意力结果,然后引入上下文向量自适应地选择视觉特征和语句信息来生成优化的描述语句。此外,本文综合分析了本文所提的基于多尺度特征和视觉-文本对齐的遥感图像描述生成模型（Multiscale Feature and Visual-Text Alignment Network,MFVTA-Net）的性能,利用目前标准的公开数据集对所提模型的有效性进行了验证,表明本文提出的模型在句法准确性和语义流畅性方面具有更好的性能。