本发明公开了一种基于描述文本的视频问答方法，属于自然语言处理和计算机视觉领域。本发明将视频的视觉信息通过文本来进行描述，在特征提取时考虑了常识特征的获取，在生成视频描述时对问题单词进行了短语级划分并基于短语使用了多重注意力，此外，还利用了知识库对视频描述内容做进一步的扩充，使得生成的视频描述包含视频的绝大部分视觉信息，之后，将视频描述和问题进行语义上的交互和分析，得到新的融合特征，最后将该特征输入到分类器中进行分类得到预测的答案，同时利用了知识库对答案的语义进行判断。本发明避免了跨模态信息融合的分析的困难，并使用了知识库对描述信息进行补充，从而提升了视频问答的准确率。