日常生活中,人类的大脑能够利用有限的资源,快速地筛选出最具价值的信息,这种处理信息的手段被称为注意力机制。最近,注意力机制在自然语言处理、语音识别、图像识别等深度学习领域得到广泛的应用。向深度模型中引入注意力机制,能够更加有效地利用模型的输入输出信息,从而提升模型的性能。本文首次将注意力机制引入视频摘要领域,证明了注意力机制在视频摘要任务中的可行性与有效性;进一步研究基于注意力机制的行人属性识别方法,研究能够比较充分利用输入输出信息的行人属性识别算法。一方面,随着网络视频数量的日益增长,如何有效的存储和处理视频数据成为亟待解决的问题。视频摘要技术从原始的视频中提取富含信息的视频片段或视频帧集,能够快速总结视频重要信息,从而缓解日益爆炸的视频数量带来的问题。本文针对现有的视频摘要算法忽略视频帧之间的语义联系的问题,提出了一种基于注意力机制的视频摘要算法,使用卷积神经网络编码原始视频,使用基于注意力机制的循环神经网络进行解码,充分探究视频帧之间的相互联系,从而生成富含信息的视频摘要。在人工标注的SumMe和TVSUM两个主流数据集上,验证了所提模型的有效性。另一方面,广布城市的监控视频网络为维护城市安全提供了重要的保障。行人是监控系统关注的主要对象,能够自动识别出行人的各个属性,具有重要的现实意义。现有的多数行人属性识别方法将行人属性识别问题转化为图像的多分类问题,忽略了属性间的联系,不利于属性的准确识别。本文提出一种基于联合引导注意力机制的行人属性识别算法,分别使用视觉特征和属性特征引导基于注意力机制的解码器生成属性,充分利用视觉和属性、属性和属性之间的联系,达到准确识别行人属性的目的。在现有的两个主流的行人属性识别数据集PETA和RAP上进行了大量实验,验证了所提算法的有效性。