本申请公开了一种图像描述方法、装置、设备及存储介质，包括：提取待描述图像的图像特征图和掩膜信息；对所述图像特征图和所述掩膜信息进行降维，以得到目标图像特征图以及作为位置编码的目标掩膜信息；利用预设编码器对所述目标图像特征图进行图像编码，以得到相应的图像特征图编码结果；利用预设文本提取器，从预先编码的文本中提取文本信息，并将所述文本信息、所述目标掩膜信息和所述图像特征图编码结果输入预设解码器中，以生成所述待描述图像对应的文本。通过本申请可以提取到前景与背景之间的语义信息，并将掩膜信息作为位置编码，有利于整体结构收敛，能够提高整体适应性和鲁棒性，减少编解码计算量，实现更加准确的图像描述。