得益于卷积神经网络在图片特征提取领域的杰出表现与自然语言处理算法的长足发展,以图像为信息载体的内容理解任务取得了令人瞩目的成就。然而单张图片所蕴含的信息相对静态且具有特征模态局限性,人们逐渐把研究重心转向视频这一信息量更大,时序性更强的信息载体当中,并以此为基础衍生出了视频内容理解相关的计算机视觉分支研究方向。本文以密集事件视频内容理解为研究内容,针对现有算法无法高效检测视频中多个事件且模态特征过于单一的问题,提出了新的多模态特征提取和融合算法,从而对整个视频进行更好的结构化表达,同时通过候选提案生成和筛选网络将视频划分为简洁的事件序列。此外,本文还针对现有方法生成的描述语句之间关联性差,逻辑性不强的问题,设计出了三栈式编解码网络,有效地提升了模型的准确性和表达能力。基于以上改进,形成了能够有效检测密集事件视频的内容理解模型,并在业界主流数据集上实验证明了本模型的优越和可行之处。本文的主要工作如下:1)针对多模态特征提取与融合,提出了基于注意力机制的多模态特征提取和融合算法。该算法将视频的二维、三维、音频、语义特征分别进行提取,并采用基于双向LSTM的双线性注意力机制对多模特征进行融合,生成对于视频的结构化向量表达,并通过特征消融实验验证了多模特征的结果有效性。2)针对视频密集事件提取,提出了基于多模融合特征的视频事件提取及视频序列生成网络。该算法通过输入经注意力机制融合的多模特征向量,采用门控循环单元（GRU）生成一系列候选提案并输入到视频序列生成网络中,最终输出低冗余高召回率的有序事件序列。3)针对视频内容描述语句生成,本论文提出了三栈式的编解码模型和全关联的强化学习机制。该模型由三层栈式LSTM构成,前两层分别编码事件主题以及事件关联性语义,并作为第三层内容生成LSTM的输入来辅助单词的生成,通过对每一层LSTM输出结果进行评判奖励,以强化学习的方式辅助模型的训练过程。通过在Activity Net和Charades数据集上实验及分析对比,验证了整体算法模型的有效性,结果显示模型在事件描述准确性、语句逻辑性以及高层次语境表达多样性评估指标上均优于现有主流模型。