图像自动描述是一种跨模态转换的技术,它可以建立图像和文本之间的桥梁,让机器具有理解能力,对一张图片的内容进行详细地描述。人工智能技术的研究核心是如何让机器像人一样进行思考和决策,而让其具备“理解力”则是第一步。纵观整个图像自动描述技术的发展史,研究人员的研究重心都是围绕如何生成准确、连贯且贴合图片内容的句子而展开的,而关于图像描述技术的实际应用研究却很少。究其主要原因是这些模型都过度依赖于image-sentence paired数据集,只要输入的图片与数据集中的图片不相关,生成句子的效果会很差甚至无法输出一个完整的句子。为了加速图像自动描述技术应用于实际生活,在不折损模型性能的前提下提升模型的泛化能力十分重要。为了解决上述问题,本文在基于半监督学习的方法和生成式对抗网络的框架上设计了一个新的图像自动描述模型SVGAN（Semi-supervised Generative Adversarial Networks）,该模型主要由图像编码区、图构建区和对抗训练区三个部分构成。本文的主要工作如下:（1）为了获取高质量的图像特征,对编码区进行了重新设计,在原有卷积神经网络的基础上设计了一个并行目标检测模块,从不同的尺度提取出图像特征,充分挖掘图像中的实体及其属性的相关信息。（2）为了增强提取到的图像特征信息,设计了一个图构建区作为特征映射的过渡区域,对图像特征信息进行二次编码。通过将实体、实体的属性信息和实体之间的关系构建图数据,能更好地保留图像原始语义信息。（3）为了提升图像自动描述模型的泛化能力,搭建生成式对抗网络,利用少量配对数据和大量非配对数据对其进行半监督训练,同时使用强化学习的策略梯度方法解决生成式对抗网络生成离散文本的问题,提高模型的鲁棒性和泛化能力。经过实验测试,SVGAN模型在BLEU-n（n=1、2、3、4）指标上得分分别为:0.625、0.467、0.291、0.22,在CIDEr指标上得分为0.732,且在能衡量句子语义的SPICE指标上得分为0.196。经过对比分析,SVGAN模型得分均优于使用无监督学习的模型,并且跑分接近目前大部分基于有监督学习的主流模型。