图像描述生成可以对给定图像自动生成与其内容一致的自然语言描述,是一种跨计算机视觉领域与自然语言处理领域的交叉任务。在过去几年中,许多深度学习方法在非增量的图像描述生成任务中取得了非常好的效果。然而面对数据的爆炸式增长,传统图像描述生成方法在增量学习新知识时会遭遇灾难性遗忘的问题。考虑到人类有终身不断获取、调整和转移知识的能力,本文对增量式图像描述生成方法进行了研究。针对图像描述生成方法现有方法在持续学习场景中存在的问题,本文结合注意力机制、隐空间分解以及知识蒸馏等方法,赋予了图像描述生成方法可持续学习的能力。本文的主要研究内容如下:1.针对网络权重随着任务序列的进行而发生过度漂移的现象,提出了基于多层域选择注意力机制的持续图像描述生成方法。该方法使用注意力机制对特定于前序任务域的网络权重进行筛选,约束这些权重更新的方向与幅度,以防止其在任务域之间发生过度的漂移;为了更好的控制特定于前序任务权重的更新,本文设计了基于域选择注意力的记忆因子,该因子施加在权重梯度更新的过程中,使得筛选出的权重能够变化更小,从而防止模型产生灾难性遗忘问题。实验表明,与同类方法相比,该方法能够取得更优的性能。2.针对人类通过归纳事物的表层特征与内在结构特征从而对新领域快速学习的思维方式,提出了基于隐空间分解的持续图像描述生成方法。该方法通过正交性约束的手段将特征分解为任务特异性特征与任务不变性特征,并随着任务序列的进行通过对抗学习的方法不断巩固任务不变特征,同时通过结构扩展的方法冻结对于任务域高度敏感的任务特异性特征,从而保证模型的可持续学习能力。实验结果表明,该方法在多个持续学习场景下相比已有方法在抗遗忘能力上具有优势。3.针对灾难性遗忘不仅仅来自于前序任务知识的有限接触,而且还受到未来任务天然限制的特点,提出了基于多教师知识蒸馏的持续图像描述生成方法。针对先前任务知识的有限接触问题,本文设计了知识回播器让模型能够更多的接触到前序任务的知识;针对未来任务的天然限制,本文使用了基于自蒸馏的对比损失用以提取对于未来任务有用的具有域间迁移能力的特征,并使用多教师知识蒸馏的方法对不同任务的可迁移特征进行整合,从而有效缓解灾难性遗忘。实验表明,该方法使用的两个部件都是有效的,且与同类方法相比表现出更好的抗遗忘性能。