目前对于遥感图像的研究多集中在分类、检测、分割等任务上,并且已经取得了很好的进展。这些任务的研究目的都是希望更好地挖掘和理解遥感图像的信息。语言是人类最常用的交流方式,它可以用简洁的话表达出丰富信息。因此如何将遥感图像转换为语言信息是很值得探索的。图像描述任务是研究如何用一句话适当地描述一张图片的内容。遥感图像描述不是单一的分类或检测等问题,它要更加的复杂,需要知道图片中的多个目标,还需要知道它们之间的高级关系,对这种高级关系的认知能加深计算机对遥感图像更深层次的理解,因此它具有重要的研究意义。但由于遥感图像大范围的场景及数量众多的目标,想要生成贴切的描述是较困难的。如何构建快速稳定且性能好的遥感图像描述模型,是该课题研究中的重点。本文具体研究工作如下:(1)为了更近一步促进遥感图像描述的实用价值,我们对已有的遥感图像描述数据集进行了大量的修复工作。修复了包括单词错误、语法错误、描述不贴切等一系列问题。超过20%的数据集,共近3000张图片的描述得到了修正。(2)从性能考虑。为了进一步提高遥感图像描述的精度,我们提出了一种多层注意力结构。该结构更符合人类在进行描述图片时的注意力过程,主要包含三个注意力结构:对图像不同区域的注意力、对已生成单词的注意力、对图像和语义信息之间的注意力。该模型能够更智能地“注意”到有用的信息,能更大限度地利用图像和语言信息。实验证实该模型可以取得更好的得分成绩。(3)从速度考虑。针对遥感图像描述模型参数过多,时间复杂度过高的问题,我们提出了一种快速的遥感图像描述模型。该模型使用了效果好且更快速的卷积网络和循环网络作为编解码器,也使用了更精简化的注意力结构。同时为了保证模型效果和加速训练,预先使用了skip-gram和负采样的方法来学习词向量。实验表明,该模型在精度损失较小的情况下,可以大幅降低模型大小和提高模型运算速度。(4)从安全性和稳定性考虑。针对遥感图像应用场景对安全性和稳定性等有绝对要求,本文在遥感图像描述任务上研究了其对抗样本的生成方法。我们提出了一种针对编解码结构的黑盒攻击方法,该方法无需知道模型具体的编码和解码网络,便可实现有效的攻击。该方法可以用于判断已有模型的鲁棒性和安全性。此外本文还对对抗样本进行了一定的防御工作,为进一步提高模型的鲁棒性和安全性提供了基础。