随着人工智能和信息互联网技术的快速推进和发展,以图像的方式传递信息的技术已经广泛地融入应用到了人们的日常生活中。当然,大量的图像信息也为图像处理技术的带来了极大的机遇和挑战。图像描述作为现代计算机自然视觉语言处理领域中一个最具有代表性的重要问题,可以通过图像描述模拟人类自底向上和自顶向下的自然视觉注意力和机制,结合现代计算机视觉领域和自然语言处理领域,高效准确地分析和描述计算机图像中传递的图像信息。图像描述被广泛应用于各种计算机的视觉设备和任务如无人机、医疗、航空等的视觉方面。本文围绕注意力机制理论,针对不同时期的图像描述算法展开研究,在此基础上,改进了两种图像描述算法模型,主要工作包括:1)改进在复杂背景的情况下所提出的基于软注意力机制模型的总体框架,并进一步介绍每一部分及其细节。首先。介绍在编码端的提出的NIC网络模型,此阶段主要提取图像中的实体目标区域,通过one-hot编码,将信息编码输入到LSTM中。然后,将文本信息和图像信息相结合,利用该网络输出图像信息到软注意力机制模型中,使得描述语句在生成过程中也能够更好地结合文本信息。实验结果表明:算法在MSCOCO数据集上的BLUE系列评价指标的得分为:71.8%、49.2%、34.4%、24.3%,METEOR得分为23.9%。最终得到的图像文本描述能够较好的选取实体区域,将语义信息和图像信息结合在一起。2)针对目前大多数方法是强制对生成的每个单词进行视觉注意的问题,提出了一种基于自适应注意力机制的图像描述算法。首先,用Faster R-CNN网络对输入的图像进行实体目标检测,将实体单词存入数据字典中。然后,用one-hot方式将其编码成固定长度的向量并输入到解码端网络中。接着,用嵌入了自适应注意力机制的双重LSTM网络决定关注图像区域的位置,以便提取有意义的信息进行连续的单词生成,最终得到图像对应的文本描述。实验结果表明:在BLEU系列的评价标准下的得分为72.4%,53.2%,39.6%,29.7%,METEOR召回率达到24.9%。生成的图像文本描述具有更好的逻辑相关性,更符合人类直观理解的图意。