针对图像描述任务中多尺度纹理表征不足、特征融合冗余及动态语义建模有限的核心挑战进行研究，提出一种基于小波-Kolmogorov-Arnold网络(KAN)协同优化的自适应图像描述算法WKCN。首先，设计小波-KAN多尺度非线性增强模块(WKMNE)，通过Daubechies-4小波基对图像频带特征进行分解，并结合KAN网络的B样条插值实现纹理非线性增强；其次，提出基于KAN的自适应特征融合机制(KAN-AFF)，动态生成空间与通道双权重，以融合ResNet50提取的全局特征与WKMNE输出的频域特征；最后，构建KAN增强动态解码器(KED)，将Transformer中的静态前馈网络替换为可学习的KAN激活函数模块，增强语义映射能力。在MSCOCO数据集上的实验表明，WKCN在BLEU-1(81.1)、ROUGE-L(59.1)和CIDEr(133.6)等指标上均达到最优性能；消融实验验证了多尺度特征提取与动态解码的协同效应；超参数分析实验验证了各种超参数选取的合理性；跨数据集实验(Flickr30k、NoCaps)进一步证实了模型具有良好的泛化能力，可视化分析实验直观展现了WKCN的有效性。WKCN为跨模态语义生成任务提供了一种可验证的非线性优化范式。