近年来,图像自动标注成了当下机器学习最热门的研究方向之一。图像自动标注技术能够将互联网上海量的图像信息转换为文本信息,方便进行图像检索、图像分类等应用。现在主流的图像自动标注模型大部分都采用深度学习网络构建而成,这些模型基于编码器—解码器框架,在编码器阶段利用卷积神经网络提出图像特征,在解码器阶段利用循环神经网络对图像的特征进行解码并且生成对图像的描述语句。本文将分别从编码器和解码器两个部分对其进行研究改进。首先,本文在编码器部分进行改进,提出了将卷积网络和SIFT特征进行融合的网络模型,结合了卷积网络强大的特征提取能力以及SIFT特征对于图像的旋转、大小比例缩放、明暗度的变化保持不变性的特性,使得模型具有更加强大的图像特征提取能力。本文提出的特征融合网络模型的关键在于将卷积网络提取特征和SIFT特征在模型中进行动态融合,随着网络的训练学习,两部分特征也能够进行更好地融合适应。本文在公开数据集上和现存有代表性的模型进行了对比实验,证明了本文提出模型的有效性。接着,本文在解码器部分进行了研究改进,将几种常见的注意力模型分别加入到解码器部分进行对比实验。已有相关研究在解码器中加入注意力模型,本文在此基础之上,首先探究了注意力机制和图像自动标注模型结合的原理,以及如何将不同的注意力模型,如自注意力模型和多头注意力模型和图像自动标注模型结合。本文同样在公开数据集上进行了对比实验,再次验证了本文提出的模型的有效性。并且,本文从实际应用的角度出发,利用本文提出的模型对网络上搜集到的自组图像数据集进行了自动标注,将标注结果用于图像检索实验,展示了基于本文提出的图像自动标注模型的图像检索效果。