本发明涉及计算机视觉领域，具体涉及一种基于多模态异质特征融合的视频事件描述方法。本发明利用I3D卷积网络剪辑视频并提取动态视觉特征，VGGish模型提取音频韵律特征；将场景对象信息进行语义化表征，生成场景图谱，得到实体编码，属性编码和关系编码，通过图卷积对特征向量进行图嵌入；将提取的三个特征进行三重多模态循环融合；自适应多模态数据平衡，使动态视觉、音频韵律特征相互契合，保证事件提取合理；描述重构解码器，利用描述重构算法对视频事件进行检测，并根据预训练语言字典生成视频场景事件的描述。有效解决了视频描述方法中频繁生成共现描述等无意义描述的问题，并有效利用多模态信息挖掘出场景事件的关系。