随着网络技术和计算机视觉技术的飞速发展,在许多实际应用中如机器人、自动驾驶汽车增强现实和物联网,视频分类已成为这些任务的核心问题。同时,视频分类任务常常需要在有限的内存资源和计算能力的设备上实时执行,以满足用户需求。而传统视频分类方法中的特征提取较为繁琐,且需要根据任务的特性尝试各种方式来决定最适合描述不同类别的特征,这是一个相当耗时的过程。另一方面,目前主流的视频分类方法是将视频完全解码成RGB图像帧,这种方式虽然具有一定的效果,但会导致存储占用大且计算消耗时间成本高。近年来,越来越多的研究开始探索一种新的方法,即如何从压缩域中学习视频中的动作信息,以保证分类精度的前提下达到较高的效率。本文针对深度神经网络计算复杂度高的特点,提出了一种在计算速度和分类精度之间进行合理权衡的方法,用于视频分类任务。（1）针对传统双流卷积网络中的密集光流特征提取过程较为复杂的问题,提出了采用压缩域中运动矢量（MVs）代替光流的方式,重新设计了双流CNN结构的深度神经网络模型,并利用运动矢量对视频序列进行时间建模。实验中我们选择VGG-16和Res Net-50两种基础网络结构对特征进行提取,并使用预训练模型和微调网络权值的方法来代替直接训练和分类的方法,结果表明我们提出的双流CNN结构可以较好的提升视频分类的精度。（2）针对视频中每帧视频特征图的计算,我们为了增强对于视频特征图的聚焦信息引入了注意力机制算法,分别对通道注意力机制、空间注意力机制进行探索,通道注意力机制使用池化保留图像中的小部分信息,空间注意力机制会为特征图的关键信息部分分配更大的权重,我们分别在MV上探索通道空间注意力机制和空间注意力机制以提升对目标细节上的关注,抑制其他无用噪点信息,实验结果验证了注意力机制在所提的双流架构中的有效性。（3）引入知识蒸馏对双流卷积神经网络模型进行校正与增强。通过对有预训练模型的RGB和无预训练模型的MV效果对比,以及多个不同帧下MV增强的效果实验,提出以知识蒸馏思想为基础的三种最优的融合策略:AEMS、AAMS、OAMS。实验结果表明采用知识蒸馏策略可以有效提升模型性能,即在top-1、top-5均有显著提升。