随着互联网和人工智能的迅速发展,图像描述任务在人机交互和儿童教育等领域越来越受到重视。图像描述是通过结合计算机视觉中的特征提取与自然语言处理中的序列输出,将图像内容利用计算机生成自然语言描述,从而完成从视觉到语言的形态转换。不同于目标检测、图像识别等图像理解任务,图像描述不仅要识别出图像中包含的物体对象,还需要准确识别出图像中的背景、对象之间的关系等信息。近年来,研究人员对基于深度学习的图像描述方法进行了大量的研究,虽然取得了突破性进展,但是如何生成更丰富的图像描述语句是值得研究的一个问题。首先,本文通过对最近几年国内外图像描述方法进行研究,发现在图像特征的提取阶段中,更多的是提取全局图像特征信息,这样导致提取的图像信息尺度单一,从而使得图像描述生成内容不够全面。基于该问题,本文提出基于区域网络的图像高层语义提取方法,首先利用VGGNet-16网络提取全局图像特征,然后通过区域候选网络提取局部特征信息,其次利用双线性插值和采样网格对区域进行优化和选取,最后融合全局和局部特征信息的图像高层语义指导解码器生成图像描述,从而使得图像描述模型既获取全局特征信息,又可以利用局部信息使得图像描述更加全面。然后,本文对Attention机制在解码器中的应用进行了研究。由于传统的注意力机制比较单一,解码器直接把从编码器中获取的有用信息和冗余信息作为信息输入,然而冗余信息的输入会对输出结果造成误导,从而会导致解码器生成不准确的图像描述。本文提出基于Attention机制的图像描述方法,通过改进空间注意力机制来加强注意结果和查询之间的相关性,视觉注意力机制可以让模型自动关注图像视觉信号和语言模型,本文在解码器中通过应用改进的空间注意力和视觉注意力机制,从而融合长短期记忆网络中的隐藏层信息和图像上下文信息来获取最终图像描述语句。最后,本文模型通过在MS COCO数据集和Flickr 30K数据集进行训练和测试。通过与前人的研究方法相比,本文提出的基于高层语义提取与Attention机制的图像描述方法,在METEOR和CIDEr评估指标上优于大部分图像描述的方法,在BLEU评价指标上也有不同程度的提升。因此有效验证了本文模型生成的图像描述语句内容更加准确,语言表达更具有逻辑性。