随着计算机技术的快速发展和数字视频技术的广泛应用,视频数据呈爆炸式增长。如何有效地管理和储存视频信息成为当前信息处理研究的难点和热点。以方便视频浏览和管理为目的的视频摘要技术受到人们的广泛关注。视频摘要技术的目的是在缩短原始视频的长度的同时保留视频内容信息,这样仍能传达出原始视频的整个故事情节。它还可以减少人们搜索视频内容的巨大时间花销,节省大量的存储空间。然而,视频类型较多,并且内容较为复杂,给视频摘要算法的设计提出了较高的要求。本文针对动态视频摘要问题,围绕提升视频摘要算法的性能和降低模型时间复杂度展开研究,主要研究内容包括以下三部分。(1)引入最新的独立循环神经网络(Ind RNN),并结合注意力机制,提出了基于Ind RNN和注意力机制的视频摘要算法。该方法解决了传统的循环神经网络RNN在为具有数千帧的视频建模长期时间依赖关系存在的梯度消失、爆炸问题。同时,该模型使用注意力机制有选择地关注编码序列,指导当前的解码过程,有效提升模型预测准确性。(2)进一步探索Ind RNN和注意力机制融合的可能,提出了基于Ind RNN和自注意力机制的视频摘要算法,解决了第一部分使用双向循环神经网络带来的模型复杂度高的问题。自注意力机制可以快速探索视频帧的内部相关性,而独立循环神经网络捕捉视频序列的时序关系。该模型融合了自注意力机制和独立循环神经网络各自的优点,生成更准确的视频摘要。(3)为了进一步提高模型运行速度,使模型并行运算,我们提出使用注意力机制替代循环神经网络,并实现了基于位置感知的自注意力机制视频摘要算法。为了使注意力机制具有位置感知的能力,我们使用双向掩码建模视频序列的上下文感知信息。最终实验结果证明了该方法的有效性。