本研究提出了一种基于文本引导注意力模型的图像字幕生成方法，能够有效区分图像中的细小对象，并在MS-COCO基准测试中表现优异。研究探讨了图像与文本的匹配问题，提出了多模态数据表示的改进方法，并结合认知模型与人类注视监督提升NLP任务性能。此外，提出了一种新的主题引导注意力机制，优化了图像特征选择。