图像描述（Image Captioning）是指计算机对给定图像自动生成简洁的自然语言描述。计算机图像描述能够将图像信息转化为文本信息,从而实现信息不同模态之间的转换,在图像索引、智能教育、（盲人）视觉辅助等各方面具有广阔的应用前景。图像描述是一个多模态学习问题,不仅需要准确地识别对象、属性并捕捉到它们之间的关系,还需要考虑语法的准确性和语义的多样性,因此图像描述的实现需要结合计算机视觉、自然语言处理、机器学习等领域知识,是一项极具挑战的任务。本文以此为背景,对基于深度学习的图像描述算法进行了相关研究,提出了一种基于上下文的图像描述算法。论文的主要工作如下:（1）为提升网络的特征提取能力,本文提出了一种SENET101网络模型进行图像描述。该模型包括一个用于提取视觉特征的图像编码器和一个用于将视觉特征解码为句子的图像文本生成解码器。图像编码器以Res Net101网络为基础,结合SE（Squeeze-and-Excitation）模块,通过通道注意力机制,实现了图像深层次特征信息提取,为图像描述打下基础。（2）为了突出图像中关于物体类别的特征,本文提出了一种基于上下文的图像描述算法。在SENET101网络提取图像深层次特征的基础上,设计了一种嵌入上下文编码网络的ENCNET（Context Encoding Network）模型,该模型将Res Net101网络提取的图像特征输入Encode编码层,然后将输出的图像特征和SENET101网络提取的图像特征相融合之后,输入解码器中生成图像描述文本。进一步提升了图像描述算法性能。（3）本文引入了强化学习算法。由于模型训练的时候,输入解码器的上一时刻的单词来自训练集的真实单词,而在测试的时候依赖的是自己生成的单词,为此,本文使用SCST（Self-critical Sequence Training）解决了模型训练和测试不一致的问题。为使得生成的图像描述语句之间具有相似性,本文引入了孪生网络,取得了良好的效果。本文在MSCOCO数据集上测试了算法性能,通过对比实验证明了相较于基础模型和其他图像描述算法,基于上下文的图像描述算法取得了最优的性能。该算法在BLEU-1、ROUGE＿L、CIDEr得分分别可以达到0.783,0.571及1.176,实验结果表明了论文算法的有效性。