图像的密集字幕生成是图像理解领域的一个较为新颖的研究任务。随着5G时代的到来,每天都会产生海量的视频和图像,单靠人工标注的方法已经无法对这些数据进行有效的整理、归纳和总结。而图像密集字幕生成任务可以在一定程度上解决这个问题,它可以使计算机模仿人类大脑对图像进行自然语言描述。本文对如何有效的进行图像的密集字幕描述进行研究。首先,为了使模型可以从图像中提取更优质的特征,本文提出了一种基于深层特征提取网络的图像密集语义标注算法。本文模型主要分为三部分,第一部分是特征提取网络;第二部分是感兴趣区域标注网络;第三部分是描述生成网络。在特征提取网络中,本文使用深度残差网络进行图像特征提取,从而有效提高实验结果。其次,图像密集字幕描述算法实现的目标是从图像中检测出大部分的视觉概念,并使用简短的描述性短语标记每个概念。在以前的算法中,模型关注的仅仅是图像中感兴趣的区域,忽略了图像中不同目标之间的联系。因此,本文提出一种基于注意力的图像密集字幕生成算法。该算法模仿的是人类视觉所特有的大脑信号处理机制。本文核心目标也是从众多信息中选择出对当前任务目标更关键的信息,将两者结合,进而优化模型。最后,本文提出基于上下文特征和全局特征的密集字幕描述算法。该算法设计了一种并联的LSTM（Long Short Term Memory）网络,在对目标特征进行描述时,融合了图像的上下文信息和全局信息。本文所提出的算法更好的结合图像中所包含的语义信息,让模型在生成不同目标描述的同时,借助于整张图片来生成局部描述,这样形成的语言描述更加符合人们的语言习惯。