建立视觉内容和自然语言之间的语义联系,是多媒体分析和计算机视觉领域的重要难题之一。近年来,深度学习的发展为该问题的突破提供了强大的技术支持。视频作为连续的视觉表达,包含复杂丰富的信息,其时序和空间结构是视频内容理解的核心。目前基于深度学习的视频描述方法,设计了不同的深度网络来建模视频帧以及其帧序列上的时序和空间关系。不同于前面的方法,本文重点研究了注意力模型在视频描述任务上的应用,并介绍了两种视频描述方法,希望在生成视频描述的时候自动地关注到一些重要的视频区域或视频片段。本文介绍的第一种视频描述方法考虑了视频帧序列上的显著性片段。该方法在语言模型上引入注意力模型,对每个时刻的预测单词适应性地选择生成该单词所需要关注的视频帧子集。本文在常用的视频描述评测集MSVD上对该方法进行了评测,证明了时序注意力在视频描述问题上的有效性。在第二种方法中,本文考虑了单个视频帧上的感兴趣区域以及这些区域特征序列间的时序依赖关系。为了实现该目标,本文用全局特征作为单帧视频的指导信息,使用注意力模型来选择视频帧上的感兴趣区域。此外,本文设计了多重记忆的循环模型来分别融合全局和感兴趣区域特征的时序依赖关系,构造更具辨别能力的视频表达。同样地,本文在MSVD和M-VAD数据集上对该方法进行了评测,证明了该方法的有效性。