本发明涉及一种基于分层的图与文语义一致性智能评估方法，采用深度学习表示出图像、文本特征；采用自下而上(bottom‑up)、空间、通道相混合的注意力机制对图像场景进行理解，并将光照、视角、尺度、遮挡等信息考虑在内提取出显著的图像区域特征；从语义学考虑语义一致性，构建本体(object)、属性(property)、关系(relation)、全局(global)四个层次的评估指标模型进行分层次评估；最后加权给出图像与其标题内容最终的语义一致性程度，评估结果考虑了图像本身信息和语义要素层次，能够更加客观、清楚地反映各层次对图像与图像标题语义一致性影响的不同程度。