随着多媒体和移动互联网技术的迅猛发展、视频采集设备的普及,海量的视频数据给视频检索、视频监控、视频归档等应用领域带来了巨大的压力,而视频摘要技术作为一种快速浏览和理解视频内容的方式引起了广泛的关注。为此,本文针对有监督的、利用深度学习方法的视频摘要展开了研究。本文设计了一种新颖的视觉注意力机制,与现有的编解码器框架结合起来,提出一种面向解码器注意力机制的有监督视频摘要算法。与以往的注意力机制聚焦于编码序列不同,本文的注意力机制考虑到视频帧之间的内在关联性,利用长短时记忆网络,将注意力集中在历史的解码序列,融合历史的解码信息有效地指导当前的解码过程,提升模型预测的准确性。本文的算法主要分为视频分割、视频特征提取、视频镜头重要性度量、关键镜头的提取四个步骤。具体地,利用KTS算法分割视频镜头,然后通过预训练的卷积神经网络提取视频帧的特征,接着利用所提注意力模型预测视频帧的重要性分数用于衡量视频镜头的重要性,最后利用动态规划方法生成视频摘要。所提算法在SumMe,TVSum,YouTube,OVP四个常用数据集上进行了大量实验,验证了其有效性及先进性。