现如今,互联网上图像和视频的规模日益庞大,各大视频网站每分钟就有数百小时的视频产生,这使得大规模视频分类是继图像分类问题后下一个急需解决的关键问题。近年来,传统的视频分类算法受到限制,而随着网络的不断深入和扩展性的发展,深度网络(如Reversible Residual Network、Res-Net、Google-Net、C3D、Two-stream等)极大地推动了图像、视频的分类技术的发展,性能也在不断的得到提高。但是,由于在计算反向传播的梯度之前需要保存激活,所以在有限的资源下,存储消耗出现了瓶颈,这种现象在3D网络中更为明显,严重的限制了网络的深度和宽度。本文基于2D-REVNET的思想提出了3D可逆网络3D-RevNet,并用于视频分类。3D-RevNet是3D-ResNet的变体,同样不需要保存3D残差块的激活层输出,有效提高显存利用率。在本论文中,我们讨论了对于输入输出数据按照传统的通道切割和基于视频帧切割的不同方式,由于3D-RevNet残差块的切分,基于视频帧切分的方法在捕获局部帧特征的同时挖掘视频流前后的全局帧信息关联,以此提高视频分类精度。在标准数据集(如Kinetics、UCF-101等)上进行的大量实验表明,跟现有方法相比,3D-RevNet使用Image-Net预训练的模型显著提高了显存使用率以及视频分类的精度。