图像描述任务即计算机自动根据图像的内容,为图像生成相应的完整且通顺的自然语言描述,实现从图像到语言的映射,在图像摘要、人机交互、视障人士帮助、自动医疗报告等诸多领域,都有着广泛的应用。近年来,深度学习技术的应用使得图像特征提取和文本自动生成取得了越来越好的效果,这也为图像描述任务的解决提供了有力的支撑。随着常规图像描述任务在精度、召回率等传统评价指标上的表现已经达到了很高水平,研究者们开始更加注重所生成的图像描述的生动性和风格化。本文首先针对依赖于N元组重现的传统图像描述评价方法存在的无法合理衡量风格化图像描述质量的问题,提出了一种基于非成对学习的图像描述评价方法(UICE)。区别于现有评价指标将待评价描述与参考描述相对比的方式,UICE直接将图像特征和语句特征进行对比,衡量描述语句语义是否与图像内容一致。此外,UICE设计了基于学习的语法评价模块,衡量描述语句在语言表达上是否语法正确,通过在不同数据集上进行训练,UICE可以获得评价不同风格化描述的能力。通过实验,我们证明了 UICE能够正确地对语义一致性和语法正确性进行评价。除了可以更加灵活地进行风格化描述的评价,这种新的评价指标的优越性还在于可以脱离数据集中固有的参考描述。在UICE的基础上,我们将其作为反馈奖励,构建了一种新的图像描述对抗生成模型。该模型的生成器部分采用传统的Encoder-Decoder模型,但除了全局图像外,该模型在生成过程中还引入了目标检测属性和额外语料库的一些常识与先验信息。针对离散样本无法反向传播的问题,该模型在图像描述生成过程中采用了Gumbel采样。判别器部分则采用了本文所提出的UICE对图像描述质量进行判别。实验证明该模型生成语句在目标属性描述等方面能够达到较好水平,在涉及单词量等方面能够获得优于现有模型的效果。