自动生成图像描述连接了计算机视觉和自然语言处理两个领域，一直以来，都是图像理解、人工智能的长远目标。它不仅需要更深层的理解图像语义，还需要合理的生成自然语言来表达。近些年来，随着计算能力的提升、数据资源的丰富、深度学习的发展，该任务已经取得了巨大的进步，但仍然面临着许多未解决的问题和挑战。　　本文全面研究了自动生成图像描述的相关问题，首先，说明了视觉和语言两个领域的相关技术，如深度学习、语言理解、多模态学习等。其次，详细的介绍了解决该任务的极具代表性的方法。再者，在基线模型的基础上，从两个不同的角度，对模型做了改进:第一，开发了一个深度双向门限循环单元图像描述模型，试图在解码阶段，全面挖掘文本描述更深层次的语义;第二，提出了双向引导图像描述生成模型，在图像编码阶段，加入文本信息引导图像过滤。在文本解码阶段，加入图像属性信息引导语言生成，使得模型能够更全面挖掘图像和文本的关键信息，削弱信息转换的不平衡影响。　　最后，在公共评测集MSCOCO上，评估了改进的模型的性能，本文提出的方法无论使用通用的评价指标BLEU、METEOR等，还是使用其他人工评价指标，都比目前已有的相关工作有着较为显著的提高，有力验证了模型的有效性。