图像描述是一种让机器理解图像内容并生成对应自然语义描述的技术,它在不同领域都有着非常大的应用价值。本文选择遥感领域作为特定研究领域,将在该领域的图像描述算法称为图像解译,它能够帮助人类更好地从遥感图像中获取所需的地理空间信息。图像解译算法大多基于编码-解码框架,它由用于图像特征提取的编码器和生成解译语句的解码器构成。现有图像解译算法忽略了遥感图像在成像方式、图像内容上与自然图像的差异,直接采用预训练的深度卷积网络作为图像特征提取器,使得编码阶段丢失大量图像细节信息,导致解译结果不能充分反映图像内容。另外,现有算法在解码阶段只关注图像空间特征,忽略了与图像内容相关的文本信息对解码阶段的影响。本文针对图像解译算法在编码和解码阶段存在的问题,对现有模型进行了改进,主要工作包括:（1）针对遥感图像编码效果较差的问题,本文根据遥感图像中目标尺度变化较大的特点,提出采用基于多尺度池化和基于空洞卷积的方法获取不同尺度的空间特征,并与原空间特征进行融合,得到包含全局信息、多尺度信息及通道信息的融合特征。实验证明,融合特征明显提高了模型对遥感图像的表达效果,使得分类准确率提高了1到2个点不等。（2）根据解译内容与图像场景存在较强联系的特点,本文基于软注意力机制,加入场景类别信息用于注意力的计算,提出了一种基于场景类别注意力的图像解译算法。场景类别注意力在解码过程中提供了与图像场景相关的背景信息,使得模型生成与图像场景更相关的解译内容,在BLEU、METEOR等指标上也要优于软注意力机制。（3）本文利用标注的解译内容构造多标签分类数据集,并基于特征融合,提出了一种基于多标签分类的图像特征提取方法,用于提取图像空间信息和文本信息。在此基础上,本文提出了一种结合图像信息和文本信息的图像解译算法,探究了基于多重注意力机制和基于多层次LSTM的结合方式。实验表明,基于多层次LSTM的模型在BLEU、METEOR、CIDEr等7项指标上都要优于传统方法,生成的解译内容也更为详细。它充分利用了图像相关信息,弥补了图像特征表达效果不佳时对解译效果的影响,并消除了错误标签对解译内容的干扰。