近些年,随着信息技术快速发展,深度学习作为当前最热门的研究领域之一,无论是在计算机视觉领域,还是在自然语言处理领域,都有着飞速的发展。而由于图像字幕生成任务同时涉及到计算机视觉和自然语言处理领域,所以深度学习的发展直接促进了图像字幕生成方法的研究。图像字幕生成任务就是对给定的图像用一段自然语言来解释图像中的内容,这在深度学习领域中是一个难点,因为它不仅需要去识别图像中的目标和背景,而且还要用自然语言来描述目标和背景之间的相互联系。为此,本文基于深度学习的方法对图像字幕进行了研究,主要研究工作如下:注意力机制由于其关注局部信息的优点,备受研究学者的青睐。但是在图像字幕任务中引入注意力机制,能将单词关注到图像中的目标区域,但是难以捕获图像中多个目标之间的联系程度,从而影响到字幕生成质量。针对这一问题,本文提出一种优化注意力机制的图像字幕生成方法,该方法使用目标检测网络提取图像特征,并在传统的多头注意力机制的基础上引入优化注意力模块（Optimize Attention,OA）,用以测量图像中目标之间的关联程度,从而引导字幕的产生过程。OA结合多头注意力机制的关注结果和当前上下文（即查询）生成“信息向量”和“注意门”,然后将“注意门”应用于“信息向量”来构造一个新的注意力,并将新的注意力再与“信息向量”进行逐元素相乘以生成图像中目标之间关联程度高的关注信息。实验结果表明:引入优化注意力模块有效提高了生成字幕的准确度,并在多个评价指标上都取得了一定的提升。传统解码器中所使用的空间注意力模型和自适应注意力模型,仅利用图像卷积特征进行解码来产生一条描述性语句,忽视了所生成单词的上下文关系,这使得所生成的语句连贯性较差。针对这一问题,本文提出一种上下文信息传递的图像字幕生成方法。该方法在每个解码时刻,将上下文信息、图像全局特征以及与上一时刻生成的单词同时送入解码器来预测下一个单词,以保持相邻词汇在语义上关联。实验结果表明:引入全局特征信息能增强生成语句中相邻词汇的紧密关联度,所生成的语句更加通顺。