在机器翻译任务提出之后,深度学习技术在解决此任务的基础上又取得了各项突破性进展,研究者们针对不同的应用场景实现了各种各样的应用,人工智能也逐渐地由感知智能偏向于认知智能,图像描述就是其中之一。图像描述的目的是针对图片中各种对象及其关系,自动生成一段话来描述,可以用看图说话来理解。它融合了图片和文本两种模态的信息,在生活中很多场景下都能用到。经典的神经网络不能提取更为全面的图像特征,无法准确获取图像中的关键语义信息,从而使得生成的描述与实际内容具有一定程度的偏差。为了解决上述问题,本文提出一种基于Bi-GRU与Attention混合模型的图像语义描述方法。传统网络生成描述的多样性低,与人们语言习惯有差距的问题。为了解决上述问题,本文提出了一种新的基于Transformer的结构,并引入一种自适应的标签平滑方法。本文主要工作内容如下:（1）分别研究图像内容识别相关技术、文本特征提取和生成技术以及二者的特征融合技术,学习各种技术近几年的主流框架,各个阶段做出的改进,深入理解其中原理。然后在图像描述这一主题之下有针对性的分析理解经典模型与框架,深入理解端到端的训练方法以及任务的模型评估方法,为任务的开展做好充分的理论准备。（2）提出一种基于Bi-GRU与Attention的混合模型,在编码器方面,通过引入通道注意力机制获取每个特征通道的重要性,让神经网络重点关注权值较大的通道。在解码器方面,通过双向门控循环单元生成能够反映图像内容的语义信息,并在Bi-GRU之后加入自注意力机制,进一步将注意力集中在更重要的信息上,最后通过Attention融合两部分信息生成最终描述。在MSCOCO、Flicker8k和Flicker30k三个公开数据集上验证实验结果,并通过与其他模型的具体实验结果做对比反映出模型的性能。（3）提出了一种新的基于Transformer的结构,通过残差神经网络提取图像特征。在解码器方面,将单词嵌入特征与正弦位置嵌入相结合,并将提取结果和编码器输出特征结合作为输入。另外,引入了一种新的辅助解码器模块（Auxiliary deco der,AUD）和一种自适应的标签平滑（Ada-Label）方法,用于在每个训练步骤中为非目标字生成监控信号,并结合提高生成描述的多样性。使用Bangla Lekha Image Captions数据集并对比以往经典模型验证本方法有效性。