生成图片文本描述任务综合了计算机视觉（CV）和自然语言处理（NLP）这两个领域的技术，是当前人工智能领域的研究热点之一。受自然语言处理中神经机器翻译的编码-解码结构的启发，目前大部分生成图片文本描述的模型都基于该结构。给定一张图片，模型会用编码器对图片进行特征提取及编码，获得视觉语义信息，然后将视觉语义信息输入解码器完成初始化并开始描述语句的生成。虽然该结构的引进显著提升了生成图片文本描述模型的性能，但是该结构仍存在输出容易丢失图片主要内容描述和训练难度大等问题。　　针对分类卷积神经网络提取的特征，无法提供详细的主要目标信息，导致模型输出容易丢失图片主要内容描述的问题。本文采用目标检测网络的卷积部分替代分类卷积神经网络进行图片整体特征提取，然后将目标检测的结果对应的特征图作为图片的补充特征。将以上两个特征输入结合了注意力机制的解码器，通过端到端的训练，使得模型取得了比主流方法更好的性能。　　针对分类卷积神经网络提取的图片特征中主要目标信息较少，注意力机制的相关操作很难在该特征上准确关注到有意义区域的问题。本文提出了有监督的注意力机制，即在注意力机制的相关操作过程中引入查询图片的目标检测结果，将其用于相关操作中的信息筛选，剔除无意义的特征信息。实验表明，模型的输出相比其它基于注意力机制的主流方法能更好的抓取到图片中的有意义特征。　　针对解码过程中递归神经网络参数量大，难以训练和优化的问题。本文提出了可并行训练、易于优化的基于混合注意力机制的解码器。其将自相关注意力机制和互相关注意力机制的结果进行混合，增大模型的感受野，让模型可以准确抓取符合解码需求的有意义特征。其也可以很方便的加入原本基于递归神经网络的模型中，以及与各种特征提取网络进行组合，具有很强的泛化能力。同时本文提出的基于混合注意力机制的生成图片文本描述模型的推断速度快，能实现视频中每帧图片描述的实时输出。最终的实验表明，基于混合注意力机制的模型能取得与基于递归神经网络的模型可比较或者更好的性能。