段落式图像描述任务旨在为给定图像生成描述性的自然语言段落,连接着计算机视觉和自然语言处理两个关键领域,是跨媒体智能的重要研究方向,其研究进展对于打破图像和文本间的语义鸿沟至关重要。近年来,随着深度学习的发展,得益于循环神经网络(Recurrent Neural Network,RNN)家族出色的时间序列建模能力,基于层次性RNN的解码器已被广泛采用于段落式图像描述任务上。然而,RNN结构上的限制使得这类方法存在如下问题。首先,由于捕获长时信息的能力有限,RNN生成段落这类长文本存在困难,生成的段落连贯性不足。此外,RNN的串行结构导致其训练时间复杂度较高,效率低下。受启发于卷积神经网络(Convolutional Neural Network,CNN)的特点,本文展开以下工作。提出了基于全卷积神经结构的段落解码器。将门控结构融入层次性的CNN解码器中,该解码器具有更强的长时记忆能力,并拥有并行化训练的能力。提出了一种衡量段落连贯性的指标。经在斯坦福图像-段落数据集上进行评测指标、连贯性指标、时间复杂度以及主观分析,证明所提解码器提升了生成段落的质量。提出了融合区域注意力的段落式图像描述模型Dual-CNN,增强了图像理解能力,提升了段落内句子描述的详细度和多样度。提出了一种衡量段落内句子多样度的指标。经评测指标、多样度指标、区域注意力分析、主观分析,Dual-CNN显著提升了段落式图像描述任务的性能。