视频描述任务旨在利用计算机自动生成人类可读的自然语言来描述视频内容。近年来视频描述在人机交互、视频的快速检索、视觉障碍辅助系统等领域得到了越来越广泛的应用。目前,视频描述算法大多基于编码器-解码器框架。首先,利用编码器从视频序列中提取视觉信息,然后解码器根据编码得到的视觉特征,依次解码生成描述语句。尽管,此类方法在视频描述任务中得到了广泛应用,并取得了不错的性能提升,但一步解码的方式使得生成的序列直接作为最终的输出,缺乏对生成语句全局的考量,以及推敲、审议的过程,并且存在对生成描述阶段优化不足,具有曝光偏差,训练和推断评价指标不一致等问题。为了解决以上问题,本文对视频描述算法展开研究,主要工作如下:(1)构建了一种基于全局信息的审议网络(Global-aware deliberation network,DEnet_ga),该网络将审议机制引入传统的编码器-解码器框架中,使得模型解码当前单词时不仅考虑描述语句的前序信息,还考虑描述语句的后续信息。该网络有两层解码器,第一层解码器生成原始视频描述,第二层解码器用审议的方式打磨和细化原始视频描述。由于第二层解码器具有原始生成描述语句的全局信息,所以它可以通过利用原始描述中的未来单词来生成更好的语义描述。(2)在基于全局信息的审议网络的基础上引入软注意力机制,构建一种基于全局-局部联合信息的审议网络的视频描述方法(Global-local-aware deliberation network,DEnet_lga),通过软注意力机制让第二层解码器有选择的关注第一层解码器生成的全局信息以及更关键、更重要的局部单词,进一步生成更好的描述。(3)针对基于经典编码器-解码器框架的视频描述算法利用传统的交叉熵训练模型产生的曝光偏差和训练、推断评价指标不一致的问题,本文引入基于自批判序列训练(Self-Critical Sequence Training,SCST)的深度强化学习算法对以上提出的两种审议网络模型的训练方法进行改进,直接优化评价指标,进一步提升模型的性能。