因为融合了计算机视觉和自然语言处理这两个人工智能的主要领域,自动地为开放领域的视频生成自然语言描述这一任务引起了越来越多的关注。由于深度学习技术的发展,神经网络为该领域带来了很有希望的突破。不同于传统基于SVO(Subject,Verb,Object)的方法,在本文中,我们提出了两个基于深度学习的视频描述框架。在第一个框架中,我们利用训练好的卷积神经网络为每个视频帧提取视觉特征,然后将其输入到循环神经网络中为每个视频帧生成描述。为了获得最具有代表性的描述,我们设计了一个文本总结的步骤,通过对所有的句子排序来去除噪声的影响。此外,我们的框架还可以从预先标注好的图像数据中进行迁移学习的优点。在基准数据集上的实验结果证明了我们方法的有效性。在第二个框架里,我们着眼处理开放领域视频中复杂的动态信息。为了解决这个问题,我们提出了一种从序列到序列的端到端的视频描述模型。在这里,我们应用了已经被证明十分有效地LSTM作为循环神经网络的单元结构。我们的模型通过由视频帧序列和单词序列组成的数据对进行训练,因此可以自然的学到视频帧序列的模式和单词序列的模式,后者就是我们常说的语言模型。同样地,我们在基准数据集上验证了模型的效果。