随着计算机及网络技术的发展,生活中的视频呈爆炸式增长,视频分析成为计算机视觉领域的热点问题。时序动作定位是视频分析的重要分支,给定一个包含多个动作实例和复杂背景的未修剪长视频,时序动作定位第一要识别它们的动作类别,第二要定位每个实例的起始时间和终止时间。本文针对这两个任务,分别提出了新颖的方法,具体工作如下:(1)在动作识别方面,目前有双流卷积神经网络和三维卷积神经网络两大主流模型。双流卷积神经网络存在速度缓慢且时空特征关联性体现不充分的问题;Convolutional 3D(C3D)网络作为典型的三维卷积神经网络,在输入数据上存在冗余且运动信息提取不充分,在结构上对时空特征融合不够充分。为此,本文首先改进C3D网络的输入,采用以较低成本保存相关信息的稀疏采样策略,且使用RGB图及光流图两种输入形式。实验表明,稀疏采样策略可提高识别效率,引入光流图作为输入可合理利用视频运动信息,提高动作识别准确率。在此基础上,本文提出一种基于稀疏采样的时空特征融合动作识别模型,将稀疏采样获得的RGB图和光流图送入时空双流卷积神经网络分别提取视频的时间特征和空间特征,通过融合时空卷积神经网络,提取能有效反映时空关联性的中层时空融合特征,最终将中层时空融合特征送入C3D网络识别出动作类别。在UCF101和HMDB51数据集上的实验表明,该框架能够有效提高动作识别的准确率。(2)在时序动作定位方面,现有的候选区域选择算法和动作识别网络对时空特征提取不够充分,起止边界定位算法的结果与真实边界往往存在着较大偏移。为此本文提出两种模型来提高时序动作定位任务的精度。第一,为解决C3D网络在时序动作定位任务中准确率还有待提高的问题,本文提出了一种基于时序分割网络的多阶段时序动作定位模型。首先,该模型运用多尺度分割生成视频段,后依次通过由准确率较高的时序分割网络构成的建议网络、分类网络和定位网络,最后通过非极大值抑制算法来完成时序动作定位。第二,针对候选区域选择算法和起止边界定位算法的准确率有待提高的问题,提出一种时空特征融合时序动作定位模型。首先,该模型采用基于稀疏采样的时空特征融合动作识别模型作为候选区域提取网络,充分利用视频分割段的时空特征来判断是否为候选区域。接着将候选区域输入到卷积-反-卷积网络中进行帧级粒度上的动作分类。最后训练动作状态检测网络,精修候选区域,从而得到更精准的动作起止时间。在THUMOS’14数据集上的实验表明,两种模型均比现有方法获得了更好的效果。