近年来,人工智能迅猛发展,计算机视觉与自然语言处理的交叉领域的研究逐渐吸引科研工作者的兴趣。大多数现有工作聚焦图像字幕任务,旨在根据单张图像生成单个句子描述。然而,本文将输入和输出的维度进行扩展,基于图像序列来生成段落描述,简称视觉叙事任务。相比图像字幕任务,视觉叙事对图文交叉领域提出更高挑战,它不仅要求对图像序列中的每张图片进行理解以及图片之间的上下文关系,同时要求生成语义连贯的自然语言段落。首先,本文对基于深度学习的视觉叙事算法进行研究。针对当下视觉叙事任务在图像流建模及文本生成方面的不足之处,构造首个该任务的中文数据集,并提出一种基于多模态空间映射的检索式模型架构RST-Att。一方面,该模型搭建双向长短期记忆网络,引入注意力机制,提高不同场景下的图像流的建模能力;另一方面,模型融合语言学中的修辞分析理论特征来改善生成文本的连贯性问题。在实验部分,本文采用了中文和英文两个数据集,结果表明RST-Att相比基线模型取得了更好的表现。进一步,基于相同的任务,不同于检索式方法,本文进一步探索生成式方法并提出一种对抗性神经网络学习模型AAL。AAL在生成模型的基础上,构造奖励模型代替最大似然估计的学习原则,生成奖励值以优化模型。另外本文提出了一种全新的文本生成粒度,即在意群的层面在进行段落生成,以提高描述的连贯性。在实验部分,通过设计对比实验,在自动化评价指标及人工评测上均取得了比基线模型更好的效果。最终,本文利用上述提出的视觉叙事算法,综合开发了一款游记生成系统,根据用户上传的旅行照片流自动生成相关的游记。该系统主要包括数据采集模块、游记生成模块以及后台管理与前端展示模块。