短视频的制作与分享随着移动互联网的飞速发展而变得更加的便捷。目前短视频制作与分享已经进入了黄金发展时期,每天都会有无数的视频被生产和传播。然而,短视频的快速发展在给人们带来好处的同时,也给相关监管工作来了很大的挑战。如何管理这些海量视频,已成为当前面临的重大挑战。庆幸的是,视频分类技术为有效管理海量视频带来了曙光,也因此受到了越来越多的科研人员的关注。深度神经网络具备的强大拟合能力,使其不仅在越来越多的研究领域中得到应用,并且在性能效果上也取得了非常优秀的成绩。受此启发,科研人员也寄希望于使用深度神经网络来解决视频分类带来的技术难题,研究如何有效精准地识别和分类短视频。与在图像处理等领域应用中不同的是,在视频分类技术研究领域中,深度神经网络仍有大量基础的研究工作需要完成,即研究工作还不够深入,因此当前深度学习在视频分类上的应用依然面临着巨大的挑战。而且,为了获得优异的性能表现,深度学习网络往往被设置得越来越深,其参数量也因此不断暴增。这严重限制了深度神经网络。在资源有限的移动设备中的应用。为解决此问题,愈来愈多的研究者将目光投向了神经网络参数的压缩研究工作。本文的研究内容与工作如下:（1）首次提出将张量环分解方法应用于压缩原始循环神经网络和门控循环单元网络。基于张量环分解。的独特结构与循环神经网络的内部构造,本文将张量环分解方法巧妙地应用于原始循环神经网络和门控循环单元网络中,在尽量保持模型性能不变的同时,大量减少网络冗余参数。（2）提出使用基于张量环。分解的循环神经网络对视频分类技术进行研究探索。本文中的张量化神经网络不仅对输入-隐藏矩阵进行压缩,同时也对隐藏-隐藏矩阵进行压缩,从而进一步提升了对神经网络的压缩率。（3）本文将在几个主流视频数据集（即UCF11、HMDB51和UCF50）上进行实验,详细分析本文提出的张量化神经网络模型。实验结果表明,本文提出的张量化神经网络模型不仅能有效压缩神经网络,而且在视频分类中效果更好。