图像字幕生成就是根据输入图像生成一段内容描述语句,该任务涉及图像处理方法和自然语言处理方法。近年来随着互联网的发展和大规模数据的出现,深度神经网络凭借着强大的数据拟合能力在多个研究领域获得了巨大的成功。在此背景下,将深度学习方法应用于字幕生成任务逐渐成为图像字幕生成研究领域中主流的方法。在已经提出的方法中,算法优化的重点大多集中于对图像特征的处理,然而仅仅通过优化图像特征质量只能提升生成文本与图像关键信息的紧密度,而缺乏了对生成文本本身的优化,无法让生成的文本更加符合自然语言的使用标准。一方面,对于图像字幕生成过程中存在的文本准确性和连贯性不足的问题,本文提出一种基于长短时间隔优化的图像字幕生成方法。该方法使用深度神经网络提取图像特征,将图像关键信息以特征矩阵的形式表示并结合图像标注字幕作为LSTM循环单元的输入。在字幕生成过程中,使用长时间隔优化模块和短时间隔优化模块共同优化生成文本的质量。其中长时间隔优化模块由长时间隔优化器和激励判别器两部分组成,通过对抗训练的方式对生成文本的质量进行优化。短时间隔优化模块则以监督学习的方式对生成文本进行优化,通过约束生成文本在短语和单词上的使用使得网络最终生成的图像字幕更加准确且连贯。实验证明,本文提出的基于长短时间隔优化的图像字幕生成方法有效提升了生成字幕的准确性和连贯性,在多个评价指标上的得分均取得了一定的提升。另一方面,根据人类在日常生活中对自然语言的使用习惯,图像字幕应该具有多样性的特点,而现有的方法缺乏对字幕多样性的优化。为此,本文提出一种基于对抗训练的图像字幕多样性优化方法。该方法首先使用字幕生成模块生成多个批次的字幕,计算对应同一张图片的多个批次字幕之间的差异,即组内差异,通过模型训练扩大组内差异增加生成字幕的多样性。接着,依据生成式对抗网络的结构特点,在字幕判别模块的判定过程中加入组间差异因素以引导字幕生成模块的参数更新。最终通过实验对比分析验证了基于对抗训练的图像字幕多样性优化方法在将字幕准确性保持一定水平的条件下有效增强了生成字幕的多样性,使生成的字幕更加接近人类标准。