随着互联网和计算机智能的飞速发展,图像数据和视频数据急剧增加。为了更好满足人们对图像信息和视频信息的需求,急需对图像和视频进行处理的技术。机器自动生成图像描述文本是当前人工智能研究热点之一,它搭建起计算机视觉和自然语言处理之间的桥梁,是通向机器智能常应用场景的至关重要一步。图像描述生成任务借助计算机视觉技术自动完成图像目标识别,再利用机器翻译模型将解释的内容表达成一段自然语言文本。图像描述生成任务虽然面临诸多挑战,但应用前景广泛,具有重要的应用价值和现实意义。本文的主要内容如下:(1)首先介绍本论文研究方向的研究背景和研究意义,接着介绍了图像描述生成的国外研究现状。接着介绍现有图像描述生成模型的优缺点,深度学习中的注意力机制、多尺度图像和图像描述生成的相关理论与关键技术。(2)当前深度学习模型对图像特征的提取多数采用卷积神经网络预训练的模型最后几层中的一层作为全局特征,在图像信息提取过程中提取图像尺度单一,忽视了不同尺度下图像特征的提取,同样缺少对图像局部信息的提取,造成文字对图片内容描述的不够准确、语义较模糊的问题。针对此问题,本文基于在卷积神经网络中,不同特征层具有不同的尺度。利用卷积神经网络中的高层特征和底层特征相融合,形成多尺度特征。通过提取卷积层不同层的特征,然后进行特征融合,以充分提取图像信息,提高图像描述生成的准确率。(3)通过注意力机制对编码器中得到的不同尺度的图像特征进行选取,融合,再经由解码器生成图像描述,提高模型对图像的语义诠释。通过注意力图生成模块,生成不同层的注意力图,将注意力图与各层的特征相乘,得到注意力特征,将得到的注意力特征进行多尺度融合,以提高对各层卷积特征中的显著性信息提取。基于注意力的特征融合可以更加有效提取图像特征和减少数据量,提高图像描述生成的准确率。本文方法在Microsoft COCO数据集上进行训练,测试和评估,在BLEU,ROUGE-1和CIDEr等评价指标上,比较了现有基准模型的结果。实验结果表明,本文所提出的模型能够生成更加准确,更完整,更有意义的图像描述语句。