2014年以来,随着人工智能,云计算,大数据,区块链等新兴技术在社会中的普及应用与快速发展,海内外掀起了对图像英文描述的研究热潮。但是由于图像中文描述任务本身与图像英文描述任务存在的差异性,使得学者对图像中文描述的研究没有取得很好的进展。同时由于21世纪以来,关于图像描述的研究大都基于神经网络的Neural Image Caption模型,在该模型的基础上进行不断的优化与改进。虽然基于Neural Image Caption模型的图像描述研究取得了较大的成功,但仍存在一些关键性问题。例如:模型生成的图像文本描述语句精确度低、所用的词汇较为单调、用户无法直接可视化调用生成的模型、不能进行可视化的操作。此外,当前图像描述任务使用的数据集和网络模型,大多是基于英文数据集进行设计和研究的,因此开展针对中文语言环境的图像中文描述的研究是必不可少的。针对上述问题,本文主要的研究工作如下。1.本文在图像英文描述网络模型的基础上,基于编码-解码器框架的Inceptionv4网络与LSTM（Long Short Memory Networks）网络,利用AI Challenge中文数据集实现了图像中文描述任务,并且实验的过程中进行了训练算法的优化。本文通过与其它网络模型的对比实验,证明了该网络模型的有效性。2.本文基于编码-解码器框架的Inceptionv4网络与LSTM（Long Short Memory Networks）网络,在原有网络结构的基础上,对该网络结构进行了改进。在编码器阶段使用融合注意力机制的Inceptionv4网络提取图像视觉特征,在解码器阶段使用双层门限递归单元GRUs网络进行中文句子的生成。在算法训练时,采用Adam优化器进行训练优化。实验证明,新型的图像中文描述模型能够自动生成语言更加通顺、结构更加准确的中文描述语句。3.本文将训练出的网络模型与其它经典的图像中文描述网络模型在BLEU、METEOR、CIDEr、Perplexity等多个评价指标中进行了对比评价,并且都获得了很不错的结果,相关评价指标优于以往的图像中文描述算法模型。4.基于深度学习的算法网络,不能直接进行可视化调用的特点,本文利用Py Qt与数据库SQLite制作了图像中文描述程序的GUI用户交互界面,使得用户可以在软件界面上进行深度学习算法网络程序的直接调用,并且该软件程序可移植到硬件平台进行调试使用,初步解决了深度学习模型不能可视化问题。本文对图像描述任务的网络模型、训练优化算法、网络模型数据集进行了深入地研究,开展了针对中文环境的图像描述任务研究。并且为改进后的图像描述模型制作了GUI可视化程序,为图像中文描述任务在生活中的实际应用奠定了基础,同时也为图像描述任务在此后的学术研究与实际应用发展提供了参考方向。