由于图像采集技术的应用和互联网、物联网技术的发展,人们可以很方便地在电脑上或手机上制作和分享视频。最近几十年,由于越来越多的人参与到视频的制作和分享过程中来,造成每天有海量的视频被上传到互联网上,这使得互联网上的视频数量呈现指数级的增长趋势。这些视频的内容种类繁多,有新闻视频、影视视频、监控录像、视频日志（vlog）等。种类繁多的视频数据,既丰富了人们的社交生活,也极大地拓宽了人们获取各种信息、了解新鲜事物和外部世界的方式。但同时也带来了许多急需解决的问题,比如在视频存储、传播和检索等方面给使用者带来了极大的压力和困难。为了克服上面提出的视频检索困难、传播效率低等问题,视频摘要技术应运而生,并逐渐引起了越来越多人的关注。经过计算生成的摘要视频是对原始视频的高度概括,保留了原始视频中的重要信息。视频摘要技术一个非常重要的特点是其形式多种多样。视频摘要既可以由静态视频帧组成也可以由动态视频片段组成,甚至可以把原始视频中不同空间和时间的移动目标拼接在一起,生成全新的视频内容,但是不管什么形式的视频摘要,其长度和观看时间都应该小于原始视频,从而帮助用户快速浏览原始视频,并获取视频中的关键信息。因此能够提取视频中重要信息的视频摘要技术成为了近几年计算机领域的热门课题。本文将采用深度学习算法针对该问题进行深入研究,具体工作内容包括:（1）提出一种基于全卷积序列网络的视频摘要模型,模型中利用时间金字塔池化对视频中的多尺度上下文信息进行提取,针对场景变化繁复、镜头较多的视频,产生了较好的效果。同时利用全连接的条件随机场对视频帧序列进行标注,使模型在视频帧的分类细节进行了加强,并将模型在TVSum和Sum Me进行训练和验证,相比于原有的全卷积序列网络,该模型取得了更好的性能。（2）针对现有的方法在对输入视频做预处理时,仅仅提取了视频中的图像特征而忽略了视频中的音频特征,提出了一种基于卷积神经网络的音视频特征融合方法。经过音视频特征的融合,将融合后的特征在TVSum、Sum Me数据集上进行实验并对结果进行分析。最终结果显示,多模态融合后的特征,弥补了单一图像特征的不足,该算法相比目前先进的方法取得了更好的性能。（3）提出一种基于全卷积序列网络的生成式对抗网络模型。将改进后的全卷积序列网络作为生成式对抗网络的生成器。然后将生成器的编码器部分生成的特征向量经过处理映射为一个分数,用来判断输入的摘要视频是否为真正的摘要视频。我们将这个改造后的网络结构作为生成式对抗网络的判别器。经过生成器和判别器的对抗训练,使生成器能够生成更具有多样性和代表性的视频摘要。