当今时代,数据越来越多的以非结构化的形式出现,视频已经成为信息的主要载体。自动分析海量视频并从中获取有用信息是非常具有挑战性的工作。视频问答作为最能衡量视觉语义理解的方向之一受到研究人员的广泛关注,该任务需要在给定自然语言问句的条件下理解当前视频并给出合理的答案,这无疑能对自动理解海量视频提供巨大的帮助。当下处理视频问答任务的主流方法都是采用深度神经网络模型,基本组件包括卷积神经网络(Convolution Neural Network,CNN)、循环神经网络(Recurrent Neural Network,RNN)和注意力机制(Attention Mechanism)等。但现有模型不能充分利用文本信息,其注意力机制更加偏向于视频特征,融合机制也不能充分融合文本和视频的多模态特征。本文提出基于深度注意力和深度融合的视频问答模型。深度注意力是一种新的注意力计算方法,它能够有效地构建帧-词一级的多瞥注意力图,从而高效获取帧和词之间的相关性权重,且构建注意力图所需要的参数量也大大减少。深度融合是一种基于残差学习(Residual Learning,RL)的多输出模型结构,它能够更有效地利用多瞥注意力图信息,并引入提纯模块不断优化融合特征,使其信息更加具有针对性。本文在三个数据集上做了大量的实验,从而验证模型的效果。实验结果表明,本文提出的算法模型能够较好地解决视频和文本的融合问题,在三个较有挑战性的数据集上效果提升明显,从而证明了算法的有效性。