随着电子设备技术以及网络通信技术的高速发展,便携式电脑,智能手机等设备让互联网社交进入了自媒体时代。公共网络平台上涌现的大量短视频数据亟待分析管理,因此研究智能视频分析技术具有一定的理论意义和较大的实际应用价值。视频的自然语言描述,作为计算机视觉领域的一个重要分支,给智能视频分析检测技术的研究带来了更高的要求。短视频社交平台如抖音、快手上的黄色暴力等违法视频层出不穷,而目前主要依靠人工方式来检举控制这类视频的传播,该方法成本高且效果不太理想。短视频的自然语言描述技术不仅可以控制违法视频的传播、维护网络安全性,还可以协助网络公共平台进行高效地视频检索与分类管理。本文立足于解决实际问题,结合深度学习、自然语言处理等方法,提出了较现有方法而言鲁棒性更强,结果准确度更高的短视频自然语言描述生成技术,解决的关键问题及研究方法如下:1、针对开放域视频特征提取的不完整性问题,提出了一种多模态特征提取方法。该方法使用独立的特征提取模型分别提取了视频的RGB特征、光流特征、音频特征以及C3D特征,它考虑了视频多维度的信息。实验结果表明,本文提出的方法具有一定的鲁棒性,在任何场景下都能够保持较好的物体和事件检测效果,可以提供完整而深度的视频特征表示。2、针对自然语言模型生成结果准确度不高的问题,提出了一种基于多模态注意机制的双向自然语言模型。该模型分为两个阶段,即编码与解码。在编码阶段,视频不同模态的特征向量分别输入到单独的双向递归神经网络中,更确切的说是长短期存储单元,输出为隐藏状态向量。双向编码器可以在正向与反向两个方向上对特征向量进行编码,较单向模型更为有效与全面。在解码阶段通过引入多模态注意机制融合各类隐藏状态向量,使得模型可以更准确地将序列状态向量解码为序列单词。实验结果表明,本文提出的自然语言模型提升了视频描述语句的准确性。3、针对目前国内外相关研究都是生成英文描述语句,极少有跟中文相关的问题,提出了一种生成视频中文描述语句的方法。主要解决了中文数据库建造以及中文字符的表示与处理两个问题,本文提出的方法与结果可以作为后续相关研究者们的有效参考,对于计算机视觉和自然语言处理等领域都有着很大的意义与价值。