随着智能手机和视频剪辑软件的日益普及和成本的降低,视频数据量在过去几年里急剧增加。视频已经成为最重要的视觉数据形式之一。根据You Tube的统计数据显示,每分钟有超过300小时的视频被上传到You Tube上。由于视频数据量庞大,用户看完所有的视频并从中识别出有用的信息是不现实的。因此,开发出自动视频摘要技术来帮助用户更加高效率地浏览视频变得越来越重要。视频摘要的目标是生成一个较短的视频以捕获输入视频中的重要信息。由于其评价标准的主观性,这个问题十分具有挑战性。现有的大多数工作要么是通过设计启发式的标准以一种无监督的方式来摘要视频,要么则是通过人工标注的训练数据以一种监督的方式来摘要视频。但是,无监督的算法通常无法产生语义上有意义的摘要视频因为它忽视了视频本身的信息,而监督算法则很难获取大量具有人工标注的训练数据,因此可能会导致模型产生偏差。为解决上述问题,本文提出了一种基于视频热度的弱监督摘要算法（PDSN）,该算法仅利用易于获取的视频热度信息（例如点击量,播放量,收藏量）来生成摘要视频。具体来说,PDSN包含两个模块,首先是摘要模块,我们通过策略梯度算法训练摘要网络;其次是评估模块,我们训练一个热度评估网络来评估生成摘要的质量以提供训练摘要网络的奖励。在三个基准数据集（Sum Me,TVSum和Co Sum）上进行的大量实验表明,与最近提出的几种方法相比,PDSN达到了最佳的性能。本文的主要创新点如下:（1）据我们所知,本文是第一个将视频热度信息应用于视频摘要的工作。（2）PDSN是弱监督算法并且仅需要视频级别的热度信息,这可以极大减少人工标注的成本。（3）不同于其他基于强化学习的视频摘要算法,PDSN使用热度评估网络作为奖励函数,训练的目的是通过生成高质量的摘要视频来最大化一段时间内的期望奖励。（4）PDSN在性能上不仅超过了最新的无监督视频摘要算法与大部分的弱监督算法,而且超过了一部分监督算法。（5）设计并实现了一个基于广告视频点击率的视频摘要服务,可以最大化在线广告平台上广告视频的预估点击率。本文共分为六章。第一章介绍视频摘要的研究现状以及待解决的问题。第二章给出视频摘要的具体定义与相关算法介绍。第三章介绍基于视频热度的弱监督视频摘要方法。第四章介绍详细的实验结果和分析。第五章介绍基于广告视频点击率的视频摘要服务。第六章对全文做出总结并做进一步展望。