随着信息技术的快速发展,视频数据呈爆炸式增长,大量视频数据存在冗余和重复的信息,这使得快速获取所需信息变得更加困难。在这种情况下,视频摘要技术应运而生,它的目标是生成一个紧凑而全面的摘要,在最短的时间内为用户提供目标视频的最大信息,使得每位用户能更准确、更快的获取所需信息,提高用户获取所需信息的效率和增强检索体验。本文对于视频摘要,分别基于深度注意力模型和强化学习展开研究。首先针对现有的视频摘要算法忽略原始视频与其摘要之间的内在联系,语义信息存在损失以及均方误差损失对异常值敏感等问题,提出一种深度注意和语义保持的视频摘要方法。该方法通过采用双向长短期记忆网络（Bi-LSTM）作为编码器充分获得原始视频的时序信息,在解码部分采用基于注意力的长短期记忆网络,充分探究视频摘要之间的相互联系,并引入语义保持模块最大限度地减少语义信息丢失,最后引入Huber loss减缓模型对异常值敏感的问题,从而生成富含信息的视频摘要。在基准数据集SumMe和TVSum上的大量实验验证了所提模型的有效性和可行性。其次从强化学习的角度,针对常见视频摘要算法很少同时考虑生成摘要的可代表性和多样性等问题,将视频摘要定义为连续决策过程,提出一种基于注意力的强化学习框架,并设计了一种新颖的奖励函数共同解释生成摘要的多样性和代表性。通过利用卷积神经网络和循环神经网络获得视频帧深度和时域信息,并通过基于注意力的循环神经网络探究视频帧之间的相互联系,从而得到具代表性和多样性的视频摘要。在SumMe和TVSum两个基准数据集上的大量实验验证了所提模型的有效性和可行性。