近几年来,随着高清视频监控的逐步推广普及、短视频社交软件及直播软件的火爆发展,使得视频数据爆炸式上升。而怎样分析这些海量视频数据,从中得到关键的特征信息,逐渐成为视觉智能分析方向上的一个研究重点。比如:政府有关部门能够分析视频监控录像来得到人物的行为特征信息;视频审核人员通过视频描述能够快速的审核视频内容。因此研究该问题对智能视频分析的发展有重大的意义。视频密集事件描述指的是针对输入的视频,找出其中所包含的时序动作,包括动作的起始与结束时刻,并对这些时序动作进行自然语言描述。研究的问题包括两个方面,一是时序动作生成,即准确的得到视频中所包含动作的起始与终止时间。二是视频描述,即针对视频中的时序动作进行描述。目前的时序动作生成算法仅考虑到视频的单向传播的特点,未能有效的结合视频的反向特征,使得产生的时序动作召回率低。同时视频描述算法未能充分融合视频特征及时序动作特征生成一个动态的视频特征,并忽略了单词的词性标注时序特征信息,使得生成的自然语句准确性不高。为了解决以上挑战,提出了一种基于词性标注与注意力机制的视频密集事件描述算法（Dense Video Captioning Based on POS andAttention,PosA＿DVC）。其中针对时序动作生成,提出基于注意力机制的双向单流动作提议算法（Bidirectional SingleStream TemporalAction Proposals Based onAttention,BiA＿SST）,通过两个时序网络模型来得到时序动作的前向特征与反向特征,同时使用注意力机制来融合这两项特征,最终提高时序动作的召回率。针对视频描述生成,本文使用注意力机制来融合视频特征、动作特征得到动态视频特征,并结合单词标注信息,生成单词标注时序特征,最后结合单词标注时序特征、动态视频特征、单词特征来动态生成对应的自然语句描述,以此提高描述准确性。最后在THUMOS-14,Activity Net Caption视频数据集上分别对BiA＿SST,PosA＿DVC算法进行了实验,并对实验结果进行分析,最后与相关算法进行对比,从而体现BiA＿SST,PosA＿DVC算法的可行性。