图像文本描述算法是将图片中元素之间的关系用流畅的自然语言表述出来的交叉研究领域。通过模仿大脑神经系统接收信息后的处理流程,人类设计各种模型让机器模拟大脑将图片转化成描述语句,让机器能够探索并感知世界。图像文本描述算法在导盲、图像搜索和医学图像自动语义标注等领域有较大的应用前景。图像文本描述算法使用卷积神经网络（CNN）处理数据集图像,把图像的特征提取出来,经过循环神经网络之后最终生成对应的自然描述语句。图像文本描述算法较早的实施方法主要有以下两种:1.基于模板的图像文本描述方法,该方法通过检测得到元素及元素之间的关系,然后在模板中不断地加入词汇,但该方法过于死板;2.基于检索的图像文本描述方法,该方法先检索与当前图像相似的图像作为模板,在检索图像关系前需要调整,这个过程将模型复杂化。针对以上两种方法的不足,论文使用基于深度学习的编码器-解码器结构作为模型的整体框架,这样可以更加准确地提取图像特征,生成更加可靠的描述语句。论文的主要工作在于:1.提出了一种基于Inception-v3和Word2Vec技术的图像文本描述算法。本模型使用编码器与解码器两部分相结合的基本结构作为模型的框架。其中前部分使用Inception-v3对数据集中的图像进行高效率地特征提取。后部分为了避免循环神经网络的长期信息传递的过程中因权重下降而导致信息可能丢失的问题,使用长短期记忆网络（LSTM）代替循环神经网络处理信息丢失的问题。在对文本特征进行编码的时候,采用Word2Vec技术取代One-Hot技术来建立标注词汇之间的关系。并通过实验证明,改进后的模型在MSCOCO数据集上的性能要优于未改进前模型的性能。2.为了使图像文本描述算法模型达到更好的性能,在卷积神经网络模型中引入卷积块注意力模块（CBAM）。本模型仍然使用编码器与解码器两部分相结合的基本结构作为模型的框架。前部分采用效果更好的卷积神经网络Inception-v4提取数据集中图像的关键特征。在Inception-v4中每个inception模块后面加入卷积块注意力模块,使得每个inception输出的特征都要经过空间注意力机制和通道注意力机制进行提纯,从而使模型关注更重要的信息。后部分采用长短期记忆网络。模型在训练中的损失图和其它模型比较不能够直截了当的观察出效果,因此除了给出模型的损失图之外,还采用一系列客观评价准则（CIDEr、Bleu-1、METEOR、Bleu-4）对模型生成自然描述语句的质量做出更好地比较。