视频的识别与分析是计算机视觉领域重要的研究内容之一。其中,视频的细粒度动作识别是一项更加精细且具有挑战性的识别任务。主要挑战有:公开的细粒度动作识别数据集很少,限制了在该领域的研究进度;与粗粒度动作识别相比,细粒度动作识别旨在区分一个大的动作分类中的子类,这些子类之间的差异更加细微,通常只能借助于微小的局部差异才能区分出来。现有的细粒度识别任务一般采用目标检测、注意力机制等相关方法寻找并利用图像中的局部区域信息。但是,这些方法大多用于图像识别任务,所以它们缺少对视频的时序信息的利用。本文分别运用了基于双流和三维的两种卷积神经网络结构来研究细粒度视频动作识别。具体地,本文的主要工作包括:1.提出了一个细粒度的篮球视频数据集Basketball。它由多个篮球比赛的直播视频组成。我们首先选取了运球、传球和投篮这三种粗粒度的动作进行分类,接着进一步细分为26种细粒度动作。本文的所有实验均会在这个数据集上实现。2.提出了基于区域筛选的双流方法。通过筛选网络来定位视频的信息区域,以提取出细粒度动作中有区分性的特征。3.提出了两种基于注意力机制的双流方法。方法一是基于空间域的注意力机制,使用多尺度融合技术,利用图像的不同特征尺度来定位到不同的局部区域。通过使用特征金字塔,网络可以学习到具有关键信息的区域特征。方法二是基于通道域的注意力机制,使用多尺度通道注意力模块,研究通道之间的相互依赖关系来提升网络性能。最后通过注意力特征融合模块将特征进行融合。4.提出了基于三维注意力机制的方法。参考Slow Fast网络,使用一个Slow通道和一个Fast通道分别识别视频中静态细节信息和动态信息。我们设计了一个三维注意力特征融合模块,考虑特征通道之间的关系来实现关键区域的注意力。同时,通过基于位置注意力机制的Non-Local模块来获取图像位置间的长距离依赖关系,更好地提升该三维模型的性能。本文的所有方法会在Basketball篮球数据集和MPII烹饪数据集上完成相关实验。在各个网络优化的过程中,这些方法取得了不断提升的结果,并且识别性能优于当前的主流方法,这验证了本文方法的有效性。