新闻报道中的图片可以抓人眼球,引起读者阅读新闻内容的兴趣,也可以直观地传递出新闻报道的内容。本文探究人工智能技术在图片新闻领域的应用,期望可以借助机器的力量,帮助新闻编辑者自动完成为新闻配图的工作。本文首先研究了新闻图片在报道中顺序插入的问题,提出了一种基于多模态循环神经网络的模型。该模型配有编码更新机制,可以将图片以一定顺序插入到新闻文本中的适当位置。对于每幅图片的插入位置,该模型的选择标准是候选位置周围若干条语句与这幅图片的相关性。本文采用两种方法评估图片与待插入位置周围语句之间的相关性:一种评分前使用卷积操作提取每个位置周围语句的语义信息,另一种在评分后使用池化操作求图片在每个位置周围的综合相关性评分。每插入一幅图片,该图片会携带额外的信息进入新闻中。因此,本文引入一种更新机制,在插入图像后更新新闻语句的编码。本文通过扩展Daily Mail数据集来验证此模型的效果。实验表明,根据两个评估指标,该模型优于包括Pointer Net在内的四个对比模型。之后,本文研究了未知图片归属的情况下的图片插入问题。此时,候选图片并非可以全部插入到文本中。此项研究需要先判定图片是否可以插入到新闻文章中。在确定图片可插入之后,模型再根据图片和文章语句的相关性,预测出插入位置。此模型推出一种新的方法计算图片与文章的相似度,此方法综合考虑了图片与文章整体的关系以及图片与文中每条语句的关系。由于图片筛选任务和图片插入任务都需要计算图片和文中语句的相关性,此模型将这两项任务放到一起进行多任务学习,期望经过一次训练可以同时解决多项任务。实验结果表明:对两项任务而言,联合训练所学习到模型强于它们分别单独训练。因此,通过多任务学习的模型在降低学习成本消耗的同时还提高了模型的准确率。在数据集上的实验证明了本文推出的方法具有可行性。且与参照模型相比,本文的模型取得了最优的结果。本文的研究成果可以为解决图片与长文章匹配的相关研究提供新的方法,也可以投入到将图片插入到长文章的实际应用中去。