图像描述是一项非常具有挑战性的任务,旨在使用适当的自然语句自动描述图像的内容。此任务涉及计算机视觉（例如:对象识别,场景分类,属性和关系检测）和自然语言处理技术（例如:生成连贯的句子来描述从上一步中识别出的这些对象）。它不仅需要识别图像中显著的对象,理解它们之间的相互作用,而且还需要使用恰当的自然语言表达其中的语义知识。随着深度学习领域的快速发展,许多新的方法被应用到计算机视觉与自然语言处理中,图像描述的方法也在不断改进。然而,大多数研究者致力于生成英文的图像描述,对如何生成图像中文描述的研究工作较少。由于中文表达方式与语法构成的复杂性,如何提高生成的中文自然语句质量仍是一个挑战,但也拥有广泛的应用场景,如人机交互、图文互搜、医学诊疗等。在已有的图像中文描述的研究工作中,由于数据集的限制只能生成如“街上有很多人”简单的中文描述,而不能生成如“一个翘着二郎腿的女人搂着一个戴着红领巾的小男孩坐在教室里”拥有丰富的形容词的中文描述样式。为了解决上述问题,本文设计并实现了多种图像中文描述模型,进行相关的对比试验与消融实验。论文主要工作如下:1.本文提出一种带有注意力机制的双层LSTM图像中文描述模型,在相应测试集上 BLEU-4、METEOR、ROUGE-L、CIDEr-D 的得分分别为 40.3、35.4、60.8、120.4,与基线模型相比各指标得分均有2%以上的性能提升,尤其是CIDEr-D的得分由114.2提升至120.4,性能提升约5.4%。2.本文通过更换图像编码器模型、堆叠LSTM语言模型的层数、添加注意力机制三种手段,构建不同的图像中文描述模型,进行对比试验与消融研究,从不同的角度验证本文提出的带有注意力机制的双层LSTM图像中文描述模型能够生成更加准确的中文自然语句来描述图像中内容。本文提出的带有注意机制的双层LSTM图像中文描述模型能够捕捉更多的图片细节,具有更强的语言解码能力。文中提出的模型及其变体在图像中文描述数据集AIC-ICC上进行了实验,并使用BLEU、METEOR、ROUGE-L、CIDEr-D评测指标进行评测。实验结果表明,本文提出的带有注意力机制的双层LSTM图像中文描述模型优于其他方法,且实际的生成效果也表明模型能够生成更加准确多样的中文自然语句。