场景识别是对无结构化数据进行智能处理,从而使其变成可供计算机自动识别的分类问题,是一种综合运用计算机视觉、行为识别和人工智能的重要技术。在大数据和人工智能的时代背景下,场景分类技术广泛应用于遥感图像处理、视频图像处理、智慧城市和智能家居等领域之中。其中,视频场景分类是计算机视觉领域一个热点的研究问题,其目标是综合运用图像处理、机器学习、模式匹配和人工智能等技术实现场景的语义理解,在视频分析、视频剪辑等领域具有极其广泛的应用需求和重要的研究价值。因此长期以来受到国内外学者的广泛关注,尤其是近年来伴随着深度学习技术的迅猛发展,将视频场景分类技术推动到一个前所未有的高度。视频场景的分类主要分为静态场景分类和动态场景分类。其中,静态场景分类技术,例如判定视频场景属于室内场景还是室外场景,属于跑步运动场景还是游泳运动场景相对简单而成熟。相对于静态场景分类,动态场景分类具有更细粒度、语义信息更加丰富等优势,但同时面临着目标检测准确率低、对象时空关联关系模糊等难点问题,因此具有更高的理论研究和应用价值。本文以足球比赛视频中的射门场景为研究对象,以基于深度学习方法构建足球比赛视频射门场景自动提取技术为主要研究内容,主要的研究工作和研究成果如下:（1）针对论文研究对象缺少公共数据集问题,借鉴标准公共数据集构建方法,利用足球比赛实况转播录像视频资料,提出了包括数据采集、数据标注和数据预处理方法在内的完整的数据集构建方法,并完成了论文研究所需数据集的构建。（2）针对实际应用中YOLOv3对于视频场景中的小目标存在特征提取效果不佳问题,通过采取引入结合Mosaic和SAT自对抗训练的数据增强技术以提升模型输入数据质量,在YOLOv3的特征提取网络中加入上采样网络以提升其对小目标的检测准确率,同时引入CSP网络用以减少网络参数等综合措施,提出了一种基于YOLOv3改进的视频场景小目标检测算法,并通过实验验证,证明了其具有较高的小目标识别准确性和鲁棒性。（3）针对循环神经网络RNN使用one-hot向量作为模型输入存在无法表示要素目标的空间信息问题,提出了一种基于Space-vec矩阵的视频帧特征化表示方法,以此代替one-hot向量作为RNN模型的输入变量。在此基础上,通过采取在RNN正向传播过程中引入下一时刻的隐藏层激活值以保证输出结果可以受到未来信息的影响等改进策略,提出了一种基于RNN模型改进的关键帧提取算法（D-RNN）。实验结果表明,D-RNN可用于实现对包含不同预设行为的视频帧进行自动分类,据此实现对包含预设目标行为的视频场景进行自动提取,在识别精度上较原模型有较大提升。（4）基于论文提出的改进算法和模型,提出了足球比赛录像射门场景自动提取原型系统的设计方案并进行了初步实现,借助原型系统并通过实例分析,进一步证明了论文研究成果的有效性。