近年来,伴随着多媒体技术、视频记录设备的飞速发展与互联网的普及,视频成为了人们获取信息、分享生活的重要媒介之一,视频数据也呈现爆炸式增长。如何结构化存储并理解视频内容成为当前视频领域的热点。视频摘要技术通过删除冗余保留视频中的重要内容,并生成紧凑的视频片段或几组关键帧,提供了一种快速浏览视频主要内容的方式。它可以减少人们搜索视频时巨大的时间花销,节省视频存储空间。在视频摘要生成步骤中,一项重要任务是对帧级重要性分数的评估,本文针对动态视频摘要问题,对该问题开展研究,主要研究内容包括以下三部分。（1）在视频摘要领域引入自注意力机制,并实现了基于多头自注意力网络MASN（Multi-Head Attention Summarization Network）的视频摘要算法,解决了编解码器模式中无法处理长视频以及基于循环神经网络（Recurrent neural network,RNN）无法实现并行计算的问题,降低了模型的计算复杂度。该算法以单前馈和单后馈的方式执行整个序列到序列的变换,通过所有输入特征的加权平均值计算每个时刻的帧得分,为不同状态自适应地赋予不同的权重,简单高效地生成高质量的摘要。（2）进一步优化多头自注意力网络的视频摘要算法,尝试将卷积神经网络和自注意力机制结合起来,以减少多头自注意力在计算局部依赖时存在的严重冗余,鼓励模型通过自注意力网络学习长距离依赖,通过卷积网络学习局部依赖,在第一部分的基础上进一步提出了一个基于长短搭配的自注意力摘要网络LSASN（Long-short Attention Summarization Network）,更好地学习局部范围内对视频摘要贡献更高的帧,同时还提升了模型性能。（3）由于有监督的视频摘要需要大规模的人工标注,费时且费力,因此,本文基于前两部分的研究成果,引入深度强化学习,将视频摘要视为一个连续决策过程,并提出了两种奖励函数,以评估选择的摘要的丰富性和代表性,实现了一个基于自注意力和深度强化学习的、无需人类标注的摘要网络。该网络包括长短搭配的自注意力网络和一个基本的强化学习框架,两者共同协作,指导摘要的生成,将本文的方法拓展至了无监督学习。实验结果证明了该方法的有效性。