随着近年来互联网技术的革新和不断创新,深度学习技术逐渐爆发,人们向往着能实现与机器的“交流”,希望机器能够模拟人的思考方式,做到人类能够做到的一些简单的或者重复的工作和内容,从而实现人机交互与智能。本文结合计算机视觉和自然语言处理两大领域的知识,提出解决图像自动生成描述句子的问题,即如何让机器理解图像并表达出来,这是学术界和工业界的一个尤为吸引人的跨学科研究领域。图像描述生成的任务是将一幅图像中所涵盖的内容,包括图像中的对象、图像中对象的动作及位置关系、图像中的场景等等,翻译成具有特定的语句结构和语法规则的自然语言的过程,其最终的目的是将一幅图片“翻译”成一段人类可读的文字描述。基于此,本文的工作主要有以下三个方面:首先,本文提出了一种卷积神经网络和递归神经网络的联合模型,用于处理图像描述问题。对于图像部分,使用卷积神经网络处理图像内容,提取图像的显著性特征如颜色、纹理、轮廓等等;对于文本部分,使用递归神经网络中的长短期记忆网络处理文本词语的生成,包括前后语句的连贯、上下文语义和前后文情感的协调。随后通过将两个模型串联的方式解决图像描述问题,利用第三方数据验证了该模型的表现。其次,本文提出了一种基于注意力机制的改进算法,通过将模仿人眼“看”事物的方法转化成概率注意公式加入到模型中,用于辅助生成描述重点词汇和上下文的衔接。通过比较该改进算法与之前提出的方法,明确了该方案在图像描述任务上的表现更胜于未添加注意机制之前,并通过对比实验证明了该方法的优越性。最后,由于本文研究的是图像描述,自然而然地要将其延伸到中文领域进行研究,本文对于中文自然语言处理问题之中的分词技术也进行了分析,并且提出了一种基于最大熵模型的改进字典分词算法对中文文本分词,并基于Glove算法提出了改进的Glove算法适用于中文词向量化方法,进而利用特有的中文图像描述数据集验证该算法的效果,实现了中文图像描述生成。