本发明公开了一种基于时尚领域的图像语描述生成方法及系统，包括如下步骤：准备数据集；特征抽取；使用多个尺度的池化层分别对商品特征进行降采样操作，池化后的特征分别送入多层感知机中学习高层视觉特征；针对每种视觉高层特征设计一个多尺度transformer网络作为特征编码器，学习每种特征内部之间的交互关系；使用带有门控注意力机制的解码器计算多尺度特征对描述的相对贡献值并融合，对句子进行预测。本发明通过针对现实场景的商品图片进行描述，使模型更具鲁棒性和应用价值。通过使用商品的多尺度特征以及针对时尚领域设计的门控注意力机制，使模型生成的描述表达更准确、更人性化。端到端的模型框架使得本发明的落地门槛更低。