视频是网络中信息量最大的载体之一。如何更快更好地自动理解视频内容,获取所需信息,是一个十分有挑战和有意义的问题。本文从最能客观验证效果的视频问答任务着手,给定一段视频和一个问题,选出最准确的一个回答,借此来探索对上述问题更好的一种解决方案。在当下处理视频问答任务的方法中,大部分都是基于静态的图像特征,利用比较简单的模型来实现的。这些方法其实无法回避两个问题:第一,这些基于静态图像的方法,很可能无法很好地利用到视频帧之间的连续性,来捕捉到一些问题相关的内容。第二,这些基于简单循环神经网络的方法,对于较长的输入序列,有可能出现记忆涣散的情况。使得完成学习后,反而丢失了本应作为答案的重要信息。针对上面两个问题,本文在以往解决方法的基础上,采用了动态的视频特征,.以及设计了能够进行多粒度学习的多级注意力神经网络,从而能捕捉视频更完整的信息,同时也更好地做到边学习边关注问题,保留最有可能成为回答的内容。通过这种方法,在基于Youtube2Text和VideoClip两个经典视频描述数据集以前沿方法生成的问答数据中,取得了比以往已知所有方法更好的实验效果。同时,在实验的过程中,也通过对网络内部状态的分析,印证了本文提出的算法的有效性。