近年来,随着深度学习相关技术的快速发展,尤其是编码器-解码器框架的成功应用极大地提升了图像语义描述的性能。然而,现有模型的高性能主要依赖于标注数据的类别和风格,一旦迁移到不同的场景下,性能往往急剧下降。虽然以对抗学习、双流学习为代表的跨域图像语义描述技术通过缩小源域与目标域之间的差异,在一定程度上解决了图像语义描述的迁移学习问题,但其性能仍不能令人满意,主要原因如下:首先,现有的方法主要关注于缩小源域与目标域之间的视觉、文本差异,缺少对语言风格的深入理解与分析;其次,模型着重学习对图像内容的精准理解,而缺少对自然语言语法结构的学习;最后,图像语义描述的表达方式往往风格单一,缺乏对图像语义多方位的自适应表达能力。针对上述问题,本论文从风格信息、模型结构、训练方式三个方面展开研究来提高跨域图像语义描述技术的性能,主要工作如下:1.在语言风格表达上,本文摒弃传统迁移学习中语言风格的二元划分（源域风格与目标域风格）,采用成分句法树结构度量语言风格,通过结构化聚类算法将语言风格划分成多种不同的类型,更具合理性。2.在模型设计上,本文提出了基于“指导门”的I-LSTM结构,解码器通过指导门单独接受词性指令信息,模型同时完成图像语义描述与自然语言语法结构的学习。3.在模型训练上,本文除了传统的图像语义描述损失函数外,引入了风格匹配损失函数度量生成语句的风格一致性。因而,模型能够自适应地根据不同风格指令生成多种描述语句,从而能够从多方位灵活地描述图像语义。为了验证本文方法的有效性,本文以MSCOCO为源数据集,Flickr30K、Oxford-102和CUB-200为目标数据集进行了大量的实验。实验结果显示,本文提出的风格指导跨域图像语义描述技术在METEOR和CIDEr指标上取得了明显的性能提升,从而证明了风格信息对跨域图像语义描述任务的有效性。同时,与其他前沿方法相比,该模型在一定程度上解决了图像语义描述任务中文本生成的多样性问题,且有一定的性能提升。