如今,拍摄设备和社交网络的普及加速了视觉媒体内容的生成和分享,尤其是视频。视频片段检索应运而生,具有广阔的应用场景。本文研究了基于内容的视频片段检索,即给定查询内容和一个未裁剪的视频,视频片段检索任务需要在视频中定位出一个片段,使得该片段的视频内容精确地匹配于给定的查询内容。当前解决该问题的模型可以分为两类。1)自顶向下的方法:该方法首先将视频分割为一组候选片段集合,对候选视频片段集合进行分类和回归,从中找到与查询内容最相关的视频片段。2)自底向上的方法:该方法直接预测每个视频帧作为起始和结束边界位置的概率。但是,这两种方法都有很多局限性:当候选视频片段数量较多时,前者的计算量非常大;后者虽然计算效率高,但精度落后于前者。本文针对现有的自底向上模型的不足之处做出了改进,构建出本文的视频片段检索模型。本文的主要研究内容归纳为以下两个方面:1)出了一种密集型自底向上框架:DEBUG。DEBUG通过骨干网络融合特征之间的交互信息,增强了融合特征表示。使用头部网络预测每帧与查询内容的相关性,对每个前景帧预测其到两端时序边界的距离。该方法将落入真值区域中的所有帧视为正样本,采用了更多的正样本进行训练,减轻了当前模型存在的正负样本不平衡的问题。此外,我们还出了一种简单高效的时序池化方法,综合考虑了多帧的预测结果,避免了基于单帧预测的不稳定性,使结果更加准确。2)出了一种基于图特征金字塔的视频片段检索方法。通过引入图特征金字塔网络,更好地适应了密集型自底向上的框架。网络首先将构造的多尺度特征金字塔映射到一个语义空间中,利用图卷积来探索不同语义特征之间的内在联系,有效融合不同尺度的特征,增强了骨干网络的输出特征。本文在四个具有挑战性的公开数据集(TACoS、Charades-STA、ActivityNet Caption和Activity-VRL)上进行了大量实验。结果表明,本文出的两个模型不仅在性能上超越了最先进的自顶向下模型,同时可以保持自底向上模型的定位速度。