图像描述是一门结合计算机视觉与自然语言处理领域的交叉学科,被广泛应用在智慧交通、生活娱乐、网络图像分析以及帮助视障人士感知周围环境等领域。目前,图像描述虽取得了一定的研究成果,但仍存在以下不足:特征提取不够充分、图像与描述语句无法充分融合、描述语句不够生动等问题。针对以上问题,本文在原有深度学习模型基础上,进行优化和改进,具体内容如下:1.针对图像特征提取不够充分,不能充分利用上下文信息等问题,提出一种基于融合注意力机制的语义描述模型。首先利用卷积神经网络对图像特征进行提取,其次使用融合注意力机制的方法计算图像空间和通道特征权重,生成上下文向量并进行加权求和,然后将其输入到循环神经网络中,生成最终的描述语句。通过仿真实验结果表明,利用融合注意力机制的方式,能充分提取图像特征,有效提升图像描述语句的准确度。2.针对传统的编解码模型容易出现误差累积现象,且会产生梯度消失和梯度爆炸等问题,加入一种生成对抗网络模型对图像内容进行描述,该模型包含一个生成器和一个判别器。首先在生成器中生成描述语句,其次在判别器中判断该语句是真实语句还是虚假语句,并反馈给生成器一个奖励值。然后使用策略梯度法使生成器能够接受到反馈信息,从而达到训练的目的。训练结束后,输出最终的描述语句。通过仿真实验结果表明,利用生成对抗网络模型生成描述语句的方式,能极大地避免误差累积现象,有效增加图像描述的自然性。3.针对传统编解码模型生成的描述语句缺乏感情色彩、不够生动等问题,加入一种包含积极和消极情绪描述的情感语料库,利用该语料库在生成器部分训练生成语句,可使生成的语句富含积极描述和消极描述的形容词。通过仿真实验结果表明,利用情感语料库生成描述语句的方式,能使描述语句生动形象,有效增加描述语句的多样性、生动性。