图像描述是场景理解的重要研究内容之一,旨在根据图像内容生成相应的描述性文字,是一个充满挑战性的任务。图像描述同时涉及了计算机视觉和自然语言处理两个领域的内容,不仅需要捕捉图像中存在的目标以及目标之间的复杂关系,还要用语言将这些信息以文本的形式表达出来,图像描述任务在图像检索、智能人机交互、视觉障碍辅助等方面有着广阔的应用前景。传统的图像描述算法采用检索式方法,从预先构建好的图像-文本知识库中找出合适的句子作为目标图像的语言描述,虽然检索得到的句子很流畅,不会存在语法问题,但是受限于知识库的容量大小,检索得到的句子并不是为目标图像量身定制的。近年来,得益于深度学习的快速发展,采用Encoder-Decoder框架的生成式图像描述方法取得了巨大的进步,能够自由灵活地生成句子,但仍然存在一些缺陷,例如生成的句子语言不够流畅、缺乏多样性、信息量少等。论文针对上述问题,将检索式方法与生成式方法结合在一起,对图像自动描述算法进行了探索和研究,主要工作和贡献如下:提出了一个新颖的基于生成对抗网络的图像描述框架,该框架融合了检索式图像描述方法和生成式图像描述方法。生成对抗网络的判别器以检索得到的图像标注句子作为参考,辨别由生成器得到的句子与人工标注句子,并判断句子与图像内容之间的匹配程度。在检索句子的帮助下,判别器能够对句子质量做出更好的判断,并将准确的句子分数传递给生成器,从而提升描述文本质量。为了增加生成的图像标注所包含的信息量,论文将在自然语言处理中广泛应用的拷贝机制引入到了图像描述算法中,模型能够通过拷贝机制自动地从检索得到的句子中拷贝合适的词到生成的句子。此外,利用检索句子含有的语义信息对现有的注意力机制进行增强,引导模型生成更加合适的描述句子。为了验证论文所提出的模型的性能,在广泛使用的COCO图像描述数据集上进行了实验,通过消融实验,验证了所提出的模型各个模块的有效性;并通过与其它先进的图像描述模型（Soft-Attention、Adaptive-Attention、SCST、Stack Cap、Up-Down、DHEDN,等等）的对比,论文的模型在图像描述各项指标（BLEU、METEOR、ROUGE、CIDEr等）取得了较大的提升,证明了论文模型的效果。