通过对图像中感兴趣的对象进行分类与定位，能够帮助人们理解唐卡图像丰富的语义信息，促进文化传承。针对唐卡图像样本较少，背景复杂，检测目标存在遮挡，检测精度不高等问题，本文提出了一种结合多尺度上下文信息和双注意力引导的唐卡小样本目标检测算法。首先，构建了一个新的多尺度特征金字塔，学习唐卡图像的多层级特征和上下文信息，提高模型对多尺度目标的判别能力。其次，在特征金字塔末端加入双注意力引导模块，提升模型对关键特征的表征能力，同时降低噪声的影响。最后利用Rank & Sort Loss替换交叉熵分类损失，简化模型训练的复杂度并提升检测精度。实验结果表明，所提出的方法在唐卡数据集和COCO数据集上的10-shot实验中，平均检测精度分别达到了19.7%和11.2%。

针对图像语义描述过程中存在的语句描述不够准确及情感色彩涉及较少等问题，提出一种基于SENet生成对抗网络的图像语义描述方法。该方法在生成器模型特征提取阶段增加通道注意力机制，使网络能够更加充分和完整地提取图像中显著区域的特征，将提取后的图像特征输入到编码器中。在原始文本语料库中加入情感语料库且通过自然语言处理生成词向量，将词向量与编码后的图像特征相结合输入到解码器中，通过不断对抗训练生成一段符合该图像所示内容的情感描述语句。最后通过仿真实验与现有方法进行对比，该方法的BLEU指标相比SentiCap方法提高了15%左右，其他相关指标均有提升。在自对比实验中，该方法在CIDEr指标上提高3%左右。该网络能够很好地提取图像特征，使描述图像的语句更加准确，情感色彩更加丰富。