本发明公开了一种图像字幕生成方法，包括：利用循环卷积神经网络对目标图像进行特征提取，得到原始图像特征集合并发送至序列化变化器模型的序列化变化器编码器进行编码；基于长短期记忆网络的目标状态变量对原始图像特征集合进行注意力调整，将注意力调整后特征和目标状态变量输入门控线性单元，得到目标记忆体；将编码后图像特征集合、当前时间步记忆体以及当前时间步输出词向量输入至序列化变化器解码器，对得到的目标解码器输出和目标记忆体进行加权求和，根据各时间步的加权求和结果生成目标字幕。本发明能够根据外部状态来识别最有关联的区域，较大地提高了图像字幕生成准确度。本发明还公开了一种装置、设备及存储介质，具有相应技术效果。