端到端的基于神经网络的方法是目前图像标题(Image Caption)任务的主流方法。目前大部分研究都集中于单一语言(如英文)的图像标题研究,并取得了很好的性能。但是在很多时候,需要用不同的语言来描述同一张图片,使得以不同语言为母语的人能够理解其他人对同一张图片的描述。因此图像生成双语甚至多语言标题是一项非常有意义的任务。本文集中于基于枢轴语言、联合两种语言特征以及联合自注意力和循环网络的方法来改进图像生成双语标题的性能,主要研究内容包括:(1)基于枢轴语言的图像标题生成。在没有图像中文标题语料的情况下,本文探索了以英文作为枢轴语言的图像生成中文标题的研究。具体地,借助于神经机器翻译技术,提出了两种基于枢轴语言的方法:一、串行法,该方法首先将图像生成英文标题,然后由英文标题翻译成中文标题;二、构建伪训练语料法,该方法首先将训练集中图像的英文标题翻译为中文标题,得到图像-中文标题的伪标注语料,然后训练一个图像中文标题生成模型。(2)联合两种语言特征的图像标题生成。考虑到在有双语标题语料的情况下,两种语言标题之间存在着互译的特点,本文提出了在解码端采用交替的方式生成两种语言的标题,使得在预测某种语言的下一个单词时,不仅可以利用该语言标题的历史信息,还可以利用另一门语言标题的历史信息,同时促进两种语言标题生成的性能。(3)联合自注意力和循环网络的图像标题生成。考虑到在生成双语标题时,解码端使用循环神经网络虽然可以对图像特征和标题交互的部分进行注意力建模,但是却忽略了图像或者标题模态内部交互作用的自我注意的问题,本文探索了一种能同时结合循环网络和自注意力网络优点的模型生成图像标题,并且使用强化学习优化梯度策略进一步提升性能。基于公开的图像标题数据集,实验结果表明本文提出的不同方法均取得了不同程度的性能提升。