2.如權(quán)利要求1所述的方法，其特征在于，所述通過(guò)卷積神經(jīng)網(wǎng)絡(luò)CNN提取目標(biāo)圖像的圖像CNN特征，并基于所述圖像CNN特征生成所述目標(biāo)圖像對(duì)應(yīng)的語(yǔ)義文本特征包括：

通過(guò)CNN模型對(duì)目標(biāo)圖像進(jìn)行編碼，生成圖像CNN特征；

通過(guò)長(zhǎng)短時(shí)記憶LSTM模型對(duì)所述圖像CNN特征進(jìn)行編碼，生成所述目標(biāo)圖像對(duì)應(yīng)的語(yǔ)義特征，通過(guò)LSTM模型對(duì)所述目標(biāo)圖像對(duì)應(yīng)的語(yǔ)義特征進(jìn)行解碼，生成所述目標(biāo)圖像對(duì)應(yīng)的語(yǔ)義文本描述；其中，所述LSTM模型的每個(gè)門結(jié)構(gòu)的輸入信息包括當(dāng)前時(shí)刻的輸入、前一時(shí)刻的輸入、前一時(shí)刻的內(nèi)部隱層值以及層級(jí)語(yǔ)義信息。