随着深度学习技术的不断发展和神经网络强大的学习能力,视频描述作为一项连接计算机视觉和自然语言处理的新型跨模态任务,引起了国内外学者的广泛关注,并且取得了越来越多具有权威性的突出成果。视频描述的目标是为给定的视频片段自动的生成文本描述,数据集通常是对一个短的视频片段进行标注,而密集视频描述是视频描述的一个分支,需要分析更长、更复杂的视频序列,是对一个长视频中的多个事件依次生成文本描述。本文的主要工作将围绕着视频描述和密集视频描述两个任务展开。针对视频描述,本文提出了一种基于动作推理的多特征融合方法,用于优化两个对象之间的交互预测,解决大多数方法产生的动作依赖于物体共现的弊端。本方法明确地针对动作来推理,通过对视频的二维卷积特征,三维卷积特征以及局部特征的提取与建模,捕捉更好的视觉动态,来提高对动作的识别能力,从而进一步提升描述的质量。在公开的MSVD和MSR-VTT数据集上进行了大量的对比实验,实验结果表明本模型可以成功地改善对视频动作的描述,并且在BLEU4、METEOR、CIDEr以及ROUGE-L四项指标上取得了具有竞争力的成绩。针对密集视频描述,本文提出了一种基于事件交互性的多模态融合方法,用于解决同一视频中的多个事件描述没有连续性、相关性和缺乏捕捉视频中音频信息的问题。当前密集视频描述任务的步骤是首先在一个长视频中定位出包含的事件,然后对每一个事件进行视频描述,这样就可以生成每个事件的描述,但是这样生成的描述缺乏事件之间的交互。同一个视频中的多个事件之间应该是有联系的,而不是相互独立的。针对这个问题,本文提出了事件交互性的方法,在事件定位阶段对不同的事件之间进行时序和语义上的建模,捕获不同事件之间的关系,从而生成更加一致和连续的描述。除此之外,还提取了视频的视觉和音频特征,从多模态融合的角度进一步提升描述的准确度。本文在公开的数据集中进行了充足的实验,在Activity Net数据集上达到了9.64的Meteor得分,比前沿模型MDVC提升了31.8%,取得了可与当前最新模型竞争的性能。