视频理解是计算机视觉中一项基础且重要的领域,近年来其由于如视频摘要分析等多种应用场景的需求而受到越来越多的关注。其中,视频检索任务因为拥有丰富的语义知识和复杂的背景干扰而仍存在大量难点,无法实现较大的突破。为了深入研究这个问题,基于文本语义的视频片段检索（Temporal Sentence Grounding in Videos,TSGV）被提出,在该任务中,模型要根据一段句子的语义信息从一个视频中检索出与之对应的视频片段。目前,大多数方法都是采用单步的跨模态注意力机制来实现视频和文本特征的语义对齐,但这类单步弱注意监督不足以捕捉复杂的视频文本内容从而无法达到高阶的跨模态语义关系推理。与此同时,这些方法缺少对视频和文本两种模态内部自相关性的学习,无法更好地辅助跨模态信息的交互。本篇论文主要研究了TSGV任务目前存在的难点问题,针对单步注意力机制的弱监督性问题和自模态内部有效特征的学习问题,提出了一种全新的带矫正-调制机制的多层推理网络（Multi-Step Rectification-Modulation Network,MRMN）。首先,考虑到文本和视频中复杂的时间关联性往往需要多步匹配推理才能得到,本文提出了一种多层推理框架来逐步检索出两种模态间最为匹配的语义信息,其主要思想在于通过多次注意力效果的叠加操作来实现更精确的视频文本语义信息对齐。其中,考虑到任意一层注意力错误都会影响到后续层注意力的判断问题,本文基于门控制方法在多层推理框架上设计了一种注意力矫正模块（Rectification Module）来实现注意力机制的实时纠错功能。此外,学习每个模态内部的元素关联性也很重要。关联从属于相同动作语义的元素和区分从属于不同动作语义的元素将会大幅度提高视频片段检索的精准度。因此本文在多层推理过程中考虑跨模态交互的同时,也分别考虑了视频和文本模态自身元素相关性的学习,通过融合自模态交互和跨模态交互达到细粒度更高的语义匹配。其中,考虑到相同的输入视频可能包含不同待检索的文本片段,为了针对不同的文本信息提取视频帧之间的不同相关性,本文额外设计了一种调制模块（Modulation Module）来实现自模态相关性的学习约束。最后,本文基于双仿射机制（Biaffine Mechanism）设计了一种全新的片段检索模块,并分别在三个具有挑战性的数据集（ANet-Captions、Charades-STA和TACo S）上对所提出的模型MRMN进行训练和测试,以验证网络的性能效果。实验结果证明,MRMN方法在三个数据集上都优于其它的现有模型。消融实验和可视化实验也分别验证了MRMN方法中的每个模块的有效性以及可解释性。