图像包含丰富的视觉信息,并在人们的生活中扮演着不可或缺的角色。图像自动描述是实现图像理解的一项关键技术。图像自动描述,即根据对图像上下文信息的理解,通过语言模型生成自然语言描述,这涉及到视觉信息和语言描述两种模态间的转换,富有极大的挑战性,其研究涉及计算机视觉和自然语言处理两大领域的理论和技术融合。鉴于语义属性是连接视觉信息和语义描述的桥梁,本文在现有研究的基础上,提出一种基于语义属性加权的图像深度视觉语义描述方法,并取得了以下创新成果。提出一种基于一般语义属性的图像视觉语义描述方法。首先根据训练集描述语句中的词语出现频率,选择最常出现的1000个词语建立语义属性字典。然后在VGG-16网络结构的基础上加入基于弱监督的多示例学习层,提取图像中的语义属性。随后将语义属性按照概率由高到低的顺序排列,并选择部分高概率语义属性组成一般语义属性集。最后建立一种映射关系,利用一般语义属性对图像特征加权,获得了基于一般语义属性的图像表示,作为后续长短期记忆网络模型的输入,实现对图像内容的描述。提出一种基于语义属性加权的图像深度视觉语义描述方法。首先,利用在ImageNet数据集和Place365标准数据集上预训练的CNN网络提取图像的目标特征和场景特征,组合为图像的多特征表示,并与训练集中的描述语句共同组成联合嵌入空间。然后在多特征跨模态视觉-语义嵌入空间内检索与图像相似的若干描述文本,并筛选出文本中的高频词语。通过高频词语对图像中的一般语义属性进行重新排序。最后,基于重排序后的语义属性来加权其对应的图像视觉特征,并将该视觉特征作为长短期记忆网络的输入,通过引入BLEU4相似性分数监督自然语言描述的生成。在Microsoft COCO 2014数据集上对本方法进行的测试表明,该方法相比于当前其他的图像描述方法,性能有大幅提升,BLEU4和CIDEr分数分别达到0.343和1.065。本文所提出的基于语义属性加权的图像深度视觉语义描述方法取得了出色的结果,研究成果可用于基于内容的海量图像检索、管理、图像理解、视觉导航等方面。