随着互联网的迅速发展,越来越多的图像数据被上传到了网络,如何使计算机快速理解图像的内容并根据图像内容对图像进行分类、检索,将对互联网和机器视觉的发展有重大的意义,图像描述是使计算机可以快速理解图像内容的一种重要方法。图像描述是一种多模态任务,将输入的图像转化为描述图像内容的文本,这项任务跨越了机器视觉与自然语言处理两个领域。近年来,随着深度学习的快速发展,基于深度学习的图像描述模型可以较为流畅的生成描述文本。然而,目前图像描述领域的主流算法仍存在一些问题,如卷积神经网络提取图像特征的能力不足,循环神经网络不能充分利用提取的图像特征,生成的描述文本与图像内容无关等。针对目前存在的问题展开了相关的研究,主要研究工作如下:(1)针对卷积神经网络提取图像特征的能力有限,提取到大量特征与描述无关,导致无法生成准确的描述文本这一问题,设计了局部特征提取算法来提取图像的特征。局部特征提取算法首先选择图像内包含信息较为丰富,对描述文本影响较大的区域作为目标区域,然后使用相应的特征图提取算法提取目标区域的特征与非目标区域的特征,利用相关语言模块处理提取到的图像特征,生成描述文本。通过设计相关对比实验,探究了模型相关参数对图像描述生成过程的影响并证明了局部特征提取算法在图像描述领域的有效性。实验表明,使用局部特征提取算法的模型在各项评价标准上有了明显的提高。(2)针对单个循环神经网络无法充分利用提取到的图像特征,导致生成描述中名词不准确这一问题,设计了基于词性分析的图像描述算法。算法在生成描述文本的过程中,预测每个单词的词性,根据词性选择不同的模型进行单词预测,生成描述文本。针对描述文本中出现的名词,设计了相应的深度学习模型,使用局部区域内物体的类别标签作为产生名词的依据,通过提高描述文本中名词的准确性来提高整个描述文本的准确性。通过设计相关对比实验,验证了词性分析算法在图像描述中的有效性。实验表明,在各项评价标准中使用词性分析的模型相对于其他深度学习模型有明显的提高,模型生成的描述文本更加准确流畅。