本發(fā)明公開了一種基于多級(jí)預(yù)測(cè)架構(gòu)的視頻描述方法及系統(tǒng)，屬于深度學(xué)習(xí)中計(jì)算機(jī)視覺以及自然語言處理領(lǐng)域，本發(fā)明要解決的技術(shù)問題為如何生成細(xì)粒度的語言描述，避免模型復(fù)雜度提高造成梯度消失，同時(shí)從根本上解決曝光偏差的難題，避免發(fā)生錯(cuò)誤累計(jì)，造成最終結(jié)果的失效，采用的技術(shù)方案為：該方法步驟如下：S1、獲取原始數(shù)據(jù)；S2、使用nltk對(duì)描述進(jìn)行篩選分詞；S4、預(yù)訓(xùn)練YOLO；S5、通過多層解碼器LSTM及堆疊注意力機(jī)制得到語言描述；S6、將得到的語言描述分別與真實(shí)標(biāo)注計(jì)算交叉熵，同時(shí)將得到的語言描述的和作為總體損失。該系統(tǒng)包括原始數(shù)據(jù)獲取模塊、篩選分詞模塊、單詞表制作模塊、YOLO預(yù)訓(xùn)練模塊、語言描述獲取模塊及梯度計(jì)算模塊。