如今每天都有海量的视频内容不断产生,传统的人工分析已经远远无法胜任这种量级的任务,因此自动化的视频分析算法变得非常重要。在视频分析领域,识别经过剪辑的视频片段中的动作类别是一个重要的任务,然而实际上大多数视频是未经剪辑的、包含动作和背景的长视频,如何在这类视频中定位动作的时序位置,是本文的研究重点。此外,由于传统的动作定位方式无法识别视频中复杂的动作组合、细节,或者是人与环境的交互行为,本文又研究了视频语句查询定位任务,即在给定的视频中定位出符合语句描述的动作。因为查询语句可以规定视频中动作的场景、主客体、属性等多种细节,这个任务的通用性也更强。针对以上两种视频定位方式,本文进行了以下研究:（1）针对视频时序动作定位任务,提出了一种自注意力辅助排名网络,以解决现有边界检测方法在动作定位过程中,生成的动作提议的置信度计算不够准确的问题。鉴于视频的特点适合自监督学习,该算法结合了一个判别约束和一个生成约束,从而训练自注意力权重,并根据该权重计算每个动作提议的置信度分数,辅助其排名和选取。THUMOS14数据集上的实验结果表明该方法在提议数较少的情况下平均召回率有较大提升。（2）针对视频语句查询定位任务,提出了一种结合全局信息和局部信息的网络,使用密集特征图提取视频的全局特征,同时输出精确到帧级别的时序定位结果,以解决传统的边界检测方法仅基于局部信息、感受野小的问题。此外,该模型使用概率方法,并提出使用软标签,以解决该任务中动作边界不明显,边界检测方法难以直接训练并精确输出查询语句的时序边界的问题。CharadesSTA数据集上的实验也证实了该方法的有效性。基于以上工作,本文设计并开发了一个视频动作查询定位系统,用户可根据不同应用场景选择合适的定位方式,精确地定位视频中动作的时序位置,以满足实际应用中对动作定位的需求。