图像字幕生成是一项连接计算机视觉和自然语言处理的跨媒体理解任务。其目标是生成给定图像的自然语言描述,在帮助视障人士感知世界、人机交互等方面具有重要的实际应用价值。随着深度学习的快速发展,图像字幕生成模型的性能得到了稳步提升。然而,这些模型的训练方式比较有限,通常只包括交叉熵训练和自批评序列训练。而在与图像字幕相似的机器翻译领域,知识蒸馏已经成为了一种提升模型性能的成熟训练技术。但是目前几乎没有工作系统的在图像字幕生成任务中运用知识蒸馏技术。同时,以往关于图像字幕的研究主要集中在改进语言生成模型,而系统对比并改进视觉特征的相关工作比较少。针对图像字幕任务存在的问题,本文主要完成了以下两个方面的工作:（1）本文提出基于知识蒸馏的图像字幕生成模型。具体来说,先将标准的单词级知识蒸馏应用于图像字幕模型,为了研究不同教师模型对蒸馏结果的影响,比较了自蒸馏和跨模型蒸馏（即教师和学生模型具有相同或不同类型的结构）这两种方式。其次,受序列级知识蒸馏在神经机器翻译任务上取得了较好效果的启发,本文提出将序列级别知识蒸馏应用到图像字幕生成中。在MS-COCO数据集上的实验证实:本文提出的将知识蒸馏运用到图像字幕生成模型的方法可在节省计算资源和时间的同时获得性能的提升。具体来说,自蒸馏是提高图像字幕模型性能的便捷选择,节省了选择教师模型的时间;序列级别的知识蒸馏可以用更少的数据和计算资源达到比肩正常数据集训练的结果。（2）本文提出了基于改进视觉特征和强化奖励的图像字幕生成模型。通过实验对比分析各种常用的视觉特征后,本文发现经过大规模图文对比学习预训练的CLIP（Contrastive Language-Image Pre-training）模型提取的视觉特征具有特有的优势。本文利用CNN和Vision Transformer（Vi T）框架具有不同的视觉感知方式,通过级联CLIP模型提取的两种视觉特征CLIP-Res Net和CLIP-Vi T,并利用它们的互补视觉信息进行融合。最后,本文将CLIP模型视为图文匹配的打分器,根据图像和候选字幕给出分数CLIPScore,利用此分数用来补充原始强化学习的奖励（reward）函数。通过实验证明上述两种方法均能改善生成字幕的质量。