随着深度学习技术的发展,图像文本描述作为跨模态数据领域中的典型任务具有了广泛的应用,成为当下计算机视觉领域的热门研究方向之一。基于编码器-解码器的网络结构是目前主流的图像文本描述方法,编码部分利用图卷积神经网络学习场景图特征并且使用Bottom-Up特征代替整幅图像特征用于建立图像与文本之间的映射关系,而这样复杂多样的特征和特征学习方法带来多样信息的同时也使得图像和文本间的信息对应困难。故本文基于图卷积对图像文本描述进行研究,通过将多种特征的融合,以及获取与描述语句特征的潜在关联,提升图像文本描述模型的性能。针对场景图中冗余信息的引入以及Bottom-Up候选区域图像特征与描述语句准确对应的问题,本文根据图卷积学习场景图特征的方法,改变场景图学习时物体间的特征权重,区分不同物体在文本描述时的不同重要性;在此基础上,对Bottom-Up候选区域图像特征进行增强,将重要程度不同的候选区域图像特征输入Top-Down LSTM解码器中,使得与文本描述的每个单词相对应,即增强了图像中主要物体的特征。实验结果表明,增强主要物体特征能有效提升模型的性能。为了生成的语句中对主要物体的描述更加细致,本文提出了结合显著性目标特征的特征融合方法。首先利用PoolNet显著性目标检测网络提取显著性目标区域;然后使用ResNet-101网络提取显著性目标特征;最后为了学习图像特征与显著性目标特征彼此之间的互补关系,将两种特征进行有效融合。结合显著性目标特征的特征融合方法更加全面的利用了多种信息,有效的结合了不同特征的优势,从而丰富了主要物体的描述细节。本文在标准测试数据集上的分解实验和对比实验验证了本文算法的有效性,实验结果表明,本文算法在主要物体和物体间关系的把握上以及丰富主要物体描述细节上有明显的作用效果,提升了模型的性能。