近年来,随着人工智能技术的快速发展,自然语言处理和计算机视觉在理解图像和生成文本方面取得了巨大的成绩,且具有广泛的实际应用价值。机器对图像的理解和识别离不开图像标注数据,现有的图像标注数据有人工标注和机器标注两种。由于机器学习对图像标注数据的质量和数量要求都比较高,所以训练高效的机器图像标注模型和评估图像标注数据的质量是目前图像描述领域重要的两个研究方向。当前,常用的图像描述质量评估方法从本质上讲都是基于文本层面的,像BLEU和CIDEr等评估指标都是通过机器描述和人工描述间的文本匹配来评估描述质量。这导致了图像本身与对应图像描述之间匹配关系的缺失,外加自然语言本身具有的模糊性,对图像描述质量评估的标准性就更加让人怀疑。针对上述问题,本文首先提出了一种基于机器学习的图像描述质量评估框架RCWS（Region Rank Similarity-Consensus-based Image Description Evaluation and Weight Distribution Similarity-Semantic Propositional Image Caption Evaluation,RCWS）,该框架不仅考虑了图像本身与对应机器描述内容的关联关系,还考虑了机器描述与人工描述之间的匹配程度。其基本思想是以人工图像描述数据为标准,以机器图像描述数据为研究对象。其次,通过对现有图像描述数据质量评估方法的分析和梳理,将区域排名相似度和权重分布相似度应用到图像描述质量的评估中,对基于文本的图像描述质量评估指标CIDEr和基于语义的图像描述质量评估方法SPICE进行了改进。本文以人工图像描述数据为标准对机器图像描述数据的质量进行评估。通过MSCOCO、Flicker 30k和Flickr 8k三个数据集,对提出的RCSW质量评估框架、评估模型及改进后的图像描述质量评估指标R-CIDEr与W-SPICE的可用性和有效性进行了验证。实验结果表明,改进后的R-CIDEr和W-SPICE评估指标提高了多个数据集的评估性能,在文本/语义一致性方面都优于传统评估指标。该项成果对人工智能识别、图像描述质量评估以及机器图像描述模型的训练具有良好的参考价值和实际应用价值。