作为人类不可或缺的数字信息载体之一,图像被井喷式创造问世以至于没有任何机构能人工化地完全浏览,更不用说力图逐张理解图片语义。人工智能浪潮来袭,计算机视觉实现了诸如图像分类、图像检测等使机器“看”图片的能力。更进一步,如何使机器在语义化层面准确“理解”图片就变得日益重要,而图像生成描述算法实现了从图像到文本的跨模态实时转换,正是解决此问题的对症良方,研究方向前沿、应用广泛、意义重大。本文主要从两个方面对图像生成描述算法进行深入研究:主体描述的准确性、主体对象描述的细节注意力。为了解决主体描述准确性不足的问题,本文提出了基于反馈LSTM(Long-Short Term Memory)机制的编解码网络模型。基于编解码框架,该模型通过卷积神经网络、区域提议网络、关联域映射算法、主体特征缓存字典等算法模块,补足了循环神经网络长期依赖性的短板,充分发挥记忆链保留记忆的能力与三态门语义解码的优势,使解码阶段能够在激活函数粒度上追踪图片的主体信息并有效反馈,最终通过下一时刻的LSTM单元输出到目标描述。该模型在公开数据集与统一评估标准下,与三种主流模型进行对比实验,结果显示其在评估标准得分与实际描述效果上均有提升,有效提高了主体描述准确性。为了解决主体对象描述细节注意力不足的问题,本文提出了基于反馈LSTM与注意力机制的融合网络模型。结合基于反馈LSTM机制的编解码架构,该模型在编码阶段通过融合多维度增强表达特征模块、多维度注意力焦点权重分配算法对特征图谱进行增强注意;在解码阶段通过反馈LSTM网络与多维度注意力焦点的有机融合,精准聚焦图片主体对象的细节注意力,实现了根据输出锁定注意力焦点、通过焦点信息再反馈输出的多维度注意力自适应反馈的全流程。实验方面,该模型使用公开数据集与双重评估标准,与五种模型进行对比实验,结果显示该模型在细节注意力方面具有显著优异性,达到了让机器在语义化层面准确“理解”图片本身含义的目的。