视频时序动作检测的目标是定位出未剪辑视频中动作片段的开始、结束时间点,并进行动作类别的分类识别,可应用于视频分析、视频搜索、智能安防等领域。现有时序动作检测技术已取得了令人瞩目的进步,但仍难以满足实际应用中的具体要求,因此是当前计算机视觉领域的热点研究问题之一。本文根据实际应用中定位视频动作的具体需求,从时序动作的准确检测、新类别动作的扩展检测、融合语义查询的动作定位三个方面提出解决方案,具体研究如下:（1）针对现有时序动作检测算法边界误报率高、结果冗余的问题,提出基于成对损失的时序动作检测算法,通过将动作类别标签引入到动作提议生成阶段的训练过程中,并利用该类别信息计算成对损失函数值,以确保相同动作类别或相同时序阶段具有更加接近的特征表示,并精确输出动作实例的开始、结束时间点,有效提升在高时序交并比阈值下的视频动作检测定位性能。实验结果表明,该算法在较少动作提议生成的情况下,平均召回率有显著提高,动作提议的时序边界也更为精确。（2）针对现有时序动作检测算法仅能检测出预先定义好的一组动作类别,难以检测训练集中未出现的新类别动作的问题,提出示例驱动的弱监督时序动作检测方法,通过引入重构误差及特征差异的限制以辅助训练具有自注意发现能力的时序注意力模块,并能够根据给定的新类别动作示例视频或图像来定位出相同类别的视频动作。实验结果表明,该算法所需训练数据少,易于扩展到新类别视频动作的检测,可有效满足不同应用场景的视频动作检测需求。（3）针对不少现有的基于视觉-语言查询的视频动作定位算法,仅单独处理视频中的每个候选动作时刻,并未考虑所有时刻之间内在关联性的问题,提出密集置信度图语句查询的视频时序动作定位技术,通过对所有候选时刻构建视觉-语义融合的二维跨模态特征图,以对每个时刻间的关联性建模,并通过特征图卷积评估每个候选时刻的置信度得分。实验结果表明,该方法能够有效获取内容自适应的时序环境信息,无需人工设置先验参数或者进行复杂的后处理操作,能简单有效地根据给定的查询语句描述来定位出关联的视频动作片段。基于以上工作,本文设计并开发了时序动作检测原型系统,可根据不同的应用需求精准有效地时序检测视频中的动作。