视频描述定位旨在让机器根据用户提供的文本描述,在一个完整的视频中自动定位到和给定的文本描述最相关的特定视频段。该任务是计算机视觉与自然语言处理这两大学科的交叉研究项目,与单一模态相比在现实场景下具备更丰富且广泛的应用,因此具有更高的研究价值和社会意义。视频描述定位任务的关键在于建模视频模态和文本模态的关联关系,即通过多模态间的交互获取信息间的潜在关联。与此同时,参与该任务的视频模态和文本模态分别在时序上和语序上具有极强的关联性。然而目前存在的方法大多只关注模态间的交互,忽略了模态内的关联关系,甚至丢失单模态本身的细粒度信息。本文研究的工作不仅建模了视频和文本这两种模态间潜在的匹配关系,同时获取了模态内的时序关联,实现了多模态信息的细粒度关联建模,本文的研究主要研究形成以下两个完整方法:1、基于模态内间协同多线性池化及多任务学习的视频描述定位方法。其中多线性池化特征融合模块(IIM)将模态内和模态间特征同时进行交互,有效地获取了多模态信息的细粒度关联。在IIM模块的基础上,研究了泛化的多线性池化特征融合模块(GIIM)并引入了时序模态参与融合。同时,在训练阶段使用多任务学习机制,将“视频行为识别”作为子任务,对主网络起到正则化的效果并出两种标签平滑策略。本方法在Ta Co S数据集和Charades-STA数据集超越了现有最好方法。2、基于多级模态内间注意力重构的弱监督视频描述定位方法。其中模态内间注意力模块在融合模态间特征的基础上,获取了视频模态内的时序关联。注意力加权后的视频特征由重构模块逐词生成给定的文本描述,在建模多模态匹配的同时,获取了文本模态内的语义关联。同时,提出一种考虑了视频段内部关联的视频段采样表征方法,并引入视频帧级注意力重构进一步提升效果。在训练阶段,仅使用视频-句子级别的标注,在测试阶段,将注意力分值排序后得到结果的预测。通过在Charades-STA数据集和Activity Net-Caption数据集进行比较,本方法超越了现有最好方法,可以更好的实现弱监督场景下的视频描述定位任务。