中文图像描述任务(Chinese Image Caption)作为跨学科跨领域的交叉研究问题,实质就是使计算机能够自动的对图片生成一句描述性中文,这对人来说很容易,对机器来说却很有挑战性。计算机需要提取图像的物体特征、空间联系、语义关系等信息,生成人类可读的能清晰表达出图像内容的句子,并力求句子准确、通顺。在中文图像描述任务中,基于神经网络的图像描述成为目前主流的研究方法,其中大多数都是采用编码器和解码器结构,卷积神经网络充当编码器,编码器负责图像视觉特征的提取,循环神经网络充当解码器,解码器负责句子的生成。针对当前中文图像描述所存在的问题,本文主要做了如下的研究工作:为了降低卷积神经网络提取图像视觉特征的损失,加入了注意力机制的方法,注意力机制关注着每一个中文词信息和它对应的图像内容,并聚焦于图像内容的所在区域。实验表明加入注意力机制后切实提高了全部的评价指标。同时,针对循环神经网络(RNN)存在梯度消失的问题,即随着RNN时间片的增长,句子的生成将缺乏先前信息的指导,本文提出了记忆助手的方法,该方法提取已经分词的中文句子中重要的词信息,并将它们加入到RNN预测每一轮中文词信息的过程中。记忆助手的名字由来是受到了句子问答任务中记忆网络的启发,在加入注意力机制的基础上结合记忆助手的方法构建出的新模型,能够进一步提升各项评价指标。实验对比了编码器端不同的卷积神经网络,如Inceptionv3、Inception-v4、Inception-Res Net-v2对中文图像描述的影响,对比了解码器端不同的循环神经网络,如LSTM、GRU对中文图像描述的影响。实验发现不同的卷积神经网络对于各项评价指标的影响明显不同,针对当前卷积神经网络模型层次深、参数多、计算量大的问题,本文提出了一种轻量级的卷积神经网络模型BCNN(Bifurcate CNN),BCNN的名字是因为该模型中采用了有较多分叉路径的模块。该模型共有36个卷积层,模型总参数为22015628,相比较于有47个卷积层,总参数量为24734048的Inceptionv3模型,甚至比较于有上百个卷积层,更多参数量的Inception-v4模型、Inception-Res Net-v2模型,称为轻量级的模型,模型结构借鉴了Resnet和Inceptionv4的思想,提出了过渡模块,它的主要作用是从堆积的卷积层模块过渡到分叉模块,实验表明BCNN模型提升了图像描述任务的各项评价指标。