视频处理技术的快速发展是当今社会走向人工智能时代的一个重要产物,对视频中目标的检测和人类活动的理解也受到研究的关注。传统视频任务处理需要人为构造特征模型,但随着任务的逐渐复杂,特征的构造也愈发困难,且计算成本越来越高。本文针对视频目标检测与视频行为识别分别设计具体的网络结构,提高网络的检测效率和实用性。对于视频目标检测,提出一种基于全局视觉分析的视频目标检测算法,在原有流引导特征聚合算法思路基础上,更关注寻找检测精度与运行时间之间的折衷策略。首先利用全局视觉分析的思想,使用感知哈希算法在多帧特征聚合前进行帧段两端的全局视觉相似度计算,判断当前局部帧段的图像信息相关性;其次使用连续帧作为输入,进一步利用视频的前后时序信息,将相邻帧在运动路径上的特征聚合到当前帧的特征中,进而对视频特征有更好的表达。在Image VID数据集实验表明,经过全局视觉分析处理后的特征聚合算法在视频中进行目标检测的准确率和速度均得到一定提升。对于视频行为识别,提出了一种融合注意力机制的视频胶囊网络。在视频胶囊网络基础上嵌入适应胶囊网络的注意力机制“挤压-激励”模块,通过对胶囊类型之间的相互依赖性建模,增强整个网络捕获动作类型的能力,进而提高网络的性能。该网络可以对胶囊特征不同类型对胶囊类型赋予注意力权重,使其通过学习全局信息来有选择地强调有效的信息特征或抑制不太有用的特征。对UCF-101(24类)、J-HMDB和UCF-Sports行为识别数据集进行实验,结果表明该方法在这些数据集上取得了目前较好的性能。通过对附加参数的实验探究表明设计是一种轻量化的选通机构,能够有效地模拟胶囊类型之间的关系,此外分析注意力机制的应用对行为识别效果的提升作用,验证方法的有效性。