给定一个视频和一个视频相关的自然语言问题,视频问答任务输出问题的答案。结合计算机视觉和自然语言处理的视频问答任务接近通用人工智能,有很高的研究价值和广阔的应用场景。视频中不同对象之间的关系所构成的结构信息非常复杂,制约了理解和推理,特征的融合与交互是视频问答的关键。得益于图神经网络在结构信息上的表征能力,跨模态交互可以被建模成图神经网络的更新。随着多模态融合技术的发展,基于Transformer的视觉-文本推理模型由于其卓越的性能成为了主流方法。因此,本文为解决视频问答任务的难点,从不同方面提出了以下三个算法:（1）基于多尺度渐进注意力的视频问答算法。首先,从帧序列中构造不同长度的剪辑,并将剪辑的长度作为尺度信息。然后,针对不同尺度的剪辑分别生成多尺度图,图中的顶点表示视频特征。为了实现关系推理,使用图卷积更新每个尺度图中的顶点;在问题的引导下,渐进注意力被用于在跨尺度图交互过程中实现多尺度特征的融合。具体来说,每个图按自上而下的尺度顺序逐渐更新,然后按自下而上的尺度顺序更新每个图。最后,将图中的顶点特征与问题嵌入融合,并使用分类器来找到答案。在视频问答基准（TGIF,MSVD和MSRVTT数据集）上评估的结果超过了当前方法。（2）基于四元数超图网络的多模态视频问答算法。首先,通过预训练的Res Net-152、Slow Fast和BERT分别提取多源信息（视频、字幕、问题和候选答案）的特征。其次,将提取的特征嵌入到四元数空间,以表示视频的多模态信息。紧接着,基于视频中检测到的视觉目标构建超图,其中顶点表示剪辑级的四元数特征。然后,通过四元数超图卷积网络实现多模态和结构的推理。最后,提出的问答推理模块用于跨度建议和答案预测,以便从候选答案中选择出正确答案。多模态视频问答任务是在TVQA和Drama QA数据集上评估,实验结果表明本文提出的算法超过了当前最好的方法。（3）基于超图推理和Transformer结构的视频问答算法。首先,问题文本通过词向量嵌入得到文本特征。其次,使用预训练的Faster-RCNN、3D Res Net-152和Res Net-50分别提取检测特征、运动特征和网格特征,并通过超图神经网络的学习来表征视频的时空关系。然后,分别对这4种特征进行令牌嵌入、分段嵌入和位置嵌入,得到的3种嵌入相加后所有令牌拼接在一起。接着,所有令牌特征送进编码器和解码器,通过自注意力机制实现多模态的融合与交互。最后,预训练阶段对[MASK]令牌进行预测,微调阶段对[CLS]令牌训练答案分类器。在VATEX数据集上预训练之后,本文提出的算法在视频问答基准数据集上微调的准确率超过了当前最先进的方法。