随着网络技术的发展,社交媒体平台每天都会产生庞大数据规模的视频和文本,通过视频和文本数据,互联网用户能够得到来自社会的各式各样的信息。短视频是目前社会信息的一个重要来源,而随着这种潮流的兴起,如何保障短视频的内容合法健康,构建安全、积极向上的网络平台成为了社会关注的问题。然而目前对于短视频内容的甄别主要还是通过人工审核来进行的,这种方式会耗费大量的时间和人力,并且随着人力的消耗,甄别结果也会不够准确。随着人工智能的发展,如何在深度学习的环境下减少人工和时间成本,更加准确的进行视频内容的甄别审核成为了研究的重点。对视频的甄别审核可以采用视频语义生成描述算法来实现。目前视频语义生成描述算法主要存在以下两个问题:首先,传统算法采用等间隔采样的方式来提取视频特征,会造成关键帧丢失,使得视频关键语义缺失,进而导致生成的自然语言描述不够准确,而且等间隔采样会导致冗余帧的存在,从而增加算法后续步骤的时间复杂度;其次,传统算法在提取特征时,只增加了时间特征,而对于图像和视频来说,视频的空间特征也富含了潜在的语义信息。针对上述问题,本文提出了基于关键帧提取和跨模态特征融合的视频语义生成描述算法。为了提取关键语义帧,减少冗余帧,进一步降低算法的时间复杂度,采用了知识图谱来获取视频帧的关键语义信息,利用知识推理的方法得到其关联语义信息,从而得到有效表述视频信息的关键语义帧。为了有效提取视频帧的空间潜在语义信息,采用了空间注意力机制,结合时间特征,能够生成准确流畅的自然语言描述。本文在两个基准视频字幕数据集上评估了所提出的算法并进行了详细的实验对比,结果表明本文提出的算法解决了上述问题,并且能够生成流畅准确且符合人类逻辑思维的自然语言描述。