给定一个短视频和一个自然语言描述的问题,视频问答系统需要在理解视频内容和问题的基础上,给出问题的答案。近年来视频问答任务受到计算机视觉和自然语言处理领域研究人员的重点关注,注意力机制方法是研究视频问答的一种重要方法。然而,目前的方法存在三方面不足:一是仅使用视频帧特征来描述视频,而忽略了视频特征的时序性;二是问题中的停用词无法描述视频内容,而现有方法在模型训练之前没有对其进行处理;三是未考虑视频问答任务的复杂性和逻辑性,而该任务需要多次关注和多步推理。上述不足很大程度上影响了模型的泛化性能和准确率。本文以深度学习为基础,提出了多阶段注意力机制(Multi-Stage Attention Mechanism,MSAM)模型。模型主要包含三个阶段:第一阶段是时间维度上的注意力机制模型。对视频序列进行注意力关注,根据问题中的关注词序列识别出与问题相关的关键视频,关键视频包含关键帧和关键剪辑。第二阶段是空间维度上的注意力机制模型。采用注意力查询机制,根据过滤停用词后的问题对视频关键帧或关键剪辑进行注意力关注,突出表现与问题相关的区域信息。第三阶段是时间-空间维度上的注意力机制模型。将长短期记忆网络(Long Short-Term Memory,LSTM)输出的问题编码信息和关键视频进行特征融合,融合后的特征输入到双向LSTM网络中,并根据双向LSTM网络输出结果对视频特征再进行关注。根据关注结果评估第二阶段输出的区域信息的有效性,同时得到对生成答案重要的信息。在此基础上,本文提出了基于多阶段注意力机制网络(MSAMN)的视频问答方法。首先基于残差神经网络和时域分段网络分别对视频中的帧特征和剪辑特征进行编码表示;其次基于LSTM和卷积神经网络分别对问题和答案标签进行编码表示;然后将视频特征和问题特征输入到MSAM模型中,得到与预测答案相关的重要特征;最后基于特征融合和多步推理生成预测答案。本文方法参加了天池ZJL数据集的公开评测,取得了很高的准确率。