近年来,深度学习以及强化学习在计算机视觉（CV）和自然语言处理（NLP）领域取得了显著的研究成果。而视频字幕生成作为联系视觉和自然语言的桥梁,针对视频内容自动生成描述准确、表达自然的语句,是一项具有重要社会现实意义的研究内容。论文以强化学习作为研究工具,围绕视频生成描述的特征提取能力和生成语句的自然性等方面开展研究,主要研究内容如下:首先,提出了一种融合Inception-Res Net-v2模块与C3D的Inception-Res Net-C3D网络,通过增大网络深度与宽度,有效提升了C3D网络的特征提取能力,改进了网络难以训练以及容易过拟合的问题。通过与相关特征提取网络的对比试验,表明改进后的Inception-Res Net-C3D网络提升了对视频特征的提取能力,使提取的视频特征更好表征视频内容的时空信息。其次,设计了基于强化学习的视频描述生成模型。模型结构以对抗生成网络为基础,采用编码-解码框架作为视频描述的生成器,并分别设计了基于CNN和RNN网络的判别器。针对生成描述语句自然性较弱的问题,添加了以CIDEr-D作为评估标准的语句评估模块。通过结合判别器的输出D与语句评估模块的输出Q作为强化学习的回报函数,交替训练生成器与判别器来平衡模型生成的视频描述的准确性与自然性。最后,借助Tensorflow深度学习框架实现并训练了基于强化学习的视频描述生成模型。通过在MSVD数据集的测试实验,在BLEU-4、METEOR、CIDEr等标准评价指标上的得分取得了进步,验证本文提出的基于强化学习的视频描述生成模型在特征提取能力和自然系上都有很大的提升,最终呈现的视频描述也具有更好的精确度和自然性。