自动理解视觉场景内容是计算机视觉领域最重要的目标之一。随着深度网络模型研究的深入,视觉场景自动描述方法日益增多,如何合理评价场景描述语句的质量变得至关重要。现有的场景描述指标往往存在一定偏面性,且在语义级内容评价中常常出现与人的感知不一致的结果。针对此问题,本文探讨场景描述效果评价的新指标或方法,并从性能评价的综合性和合理性两个角度尝试改善现有场景描述客观评价效果。主要创新性工作包括:(1)现有场景描述评价指标多为单一性能指标,不利于场景描述生成中全面描述算法的性能。为此我们提出一种基于灰色关联分析的主、客观评价相结合的视觉场景生成效果评价指标。该指标以计算机或机器为评价主体,根据传统评价指标对不同场景描述算法提供的生成语句给出各单一指标分值,形成各描述算法对应的比较序列,并从各类指标中选优形成参考序列,主观评价的先验知识映射设为权值,对两类序列进行带权值的灰色关联分析,实现对各个描述生成算法的性能优劣排序。实验结果表明,所提评价指标有效解决了现有单一评价指标的偏面性问题。(2)现有评价指标多未充分利用生成语句中的语义信息,导致“因句子表达不同而语义相同”或“句子n元组相同但语义不同”时的语句间评价结果与人的主观感知不相符。为此,我们提出一种基于同义词匹配的视觉场景描述生成效果评价指标。该指标引入互联网同义词库,对原始图像对应的参考语句和场景描述算法提供的生成语句之间进行三类词集合的匹配,突出语义评估在场景描述效果评价中的重要性。MS COCO数据集上的仿真实验结果表明,所提评价指标在一定程度上解决了两类语句之间的语义匹配问题,有效地完成了场景描述效果的语义级评价。