随着深度学习在计算机视觉和自然语言处理领域的广泛应用,图像内容中文描述作为跨模态转换任务逐渐成为研究热点,它将计算机视觉和自然语言处理两大领域深度结合,不仅需要理解并提取图像的语义信息,还需要将其转换为文本描述语句。该任务能够理解并描述图像内容,其研究内容具有很高的研究意义和应用价值,可以应用于图文互搜、图像检索、图像标题生成、少儿教育等众多场景。本文使用目前流行的编码器-解码器网络结构,首先利用编码器提取图像中的语义特征信息,然后使用解码器将图像语义特征解码生成词向量概率矩阵,最后在描述生成阶段将词向量概率矩阵转换为文本描述语句。本文分别在网络模型的解码阶段、编码阶段以及描述语句生成阶段进行研究改进工作。本文的主要研究内容如下:（1）在解码阶段,利用注意力融合机制来改进网络模型。针对现有基于注意力机制的图像内容中文描述方法在解码时,无法在关注信息不减弱和无缺失的条件下对重点内容进行注意力加强关注等问题,提出了一种图像特征注意力与自适应注意力融合的图像内容中文描述方法。首先构建编解码网络结构,在编码器网络中提取图像特征;然后通过图像特征注意力提取图像全部特征区域的注意力信息,接着使用解码器网络将带有注意力权重的图像特征解码生成隐藏信息,保证关注信息不减弱、无缺失;最后利用自适应注意力的视觉哨兵模块对图像特征中的重要区域进行再次加强关注,从而更加精准地提取图像的主体内容。实验结果表明,所提方法能够有效提升模型的图像理解能力,各项评价指标得分均优于对比模型。（2）在编码阶段,利用图像特征融合机制来改进网络模型。上述在解码阶段使用注意力融合方法,虽能在一定程度上提升模型对主体内容的提取能力,但是模型内缺少图像的局部细节特征,并没有充分利用全局和局部图像特征信息,导致模型对图像细节信息理解能力不强等问题,因此对模型性能的提升比较有限。针对以上问题,在上述所构建的编解码网络结构基础上,本文提出了一种全局与局部图像特征融合的图像内容中文描述方法。首先利用卷积神经网络来提取图像内的全局特征和图像的公共特征图;然后利用区域建议网络在图像公共特征图内生成局部候选区域,接着使用非极大抑制算法对局部候选区域进行筛选,并利用Ro I（Regions of Interest）池化网络层提取得到局部候选区域所映射的局部特征;最后将全局和局部特征深度融合,进而增强两种特征的关联程度,使模型能够全面理解图像内容的全局场景信息以及局部细节信息。（3）在描述语句生成阶段,针对上述所提的两种图像内容中文描述方法,在语句生成时直接使用概率值最大的候选项作为最终词向量,导致生成的描述语句效果不佳等问题。本文利用集束搜索算法,对上述所提出的两种图像内容中文描述方法的描述语句生成阶段进行优化,使模型能够在合理的解空间范围内,寻找到最佳的图像描述语句。