随着大数据时代的到来,多媒体数据迎来了爆发式增长,视频事件分析成为了当今研究的热点,其在智慧城市和安全保障等诸多领域有着广泛的应用前景和巨大的经济价值。背景复杂、视角多样、类内差异大等因素使得视频事件分析极具挑战性。近年来,深度学习在多媒体领域取得了巨大的成就,但深度学习模型需要大量带标签的高质量数据,已有的模型和方法难以满足需求。本文针对已有视频事件分析方法对带标签数据依赖,未能有效利用视频本身所携带的语义概念信息问题,提出了结合语义概念和双流特征模型的视频事件分析方法与结合语义概念和时空注意力模型的视频事件分析方法。本文的主要工作如下:(1)提出结合语义概念与双流特征模型的视频事件分析方法。首先提出针对任务的优选概念子集生成方法,以此构建基于语义概念的视频事件检测模型。同时构建光流图像和空间流序列的双流特征卷积神经网络加LSTM的视频事件检测模型,进而将两流事件分析结果进行融合分类检测。最后将基于语义概念的事件分类分析结果和基于双流特征的事件分类分析结果进行决策融合,最终检测出视频事件。实验结果表明,该方法能有效地利用视频所蕴含的语义概念信息,提升视频事件分析的准确性。(2)提出结合语义概念与时空注意力模型的视频事件分析方法。为减少无关信息对视频事件分析的影响,在原有框架基础上,对双流特征模型进行改进。首先利用CNN处理RGB图像与连续光流图像以获取空间和时间特征,并先后输入到空间注意力网络和时间注意力网络中进行空间与时间注意力加权,然后将加权后的双流特征进行融合分类,得到基于时空注意力的事件分类分析结果。最后将基于语义概念的事件分类分析结果与基于时空注意力的事件分类分析结果进行决策融合,作为最终检测结果。实验结果表明,所提出的方法能进一步提升视频事件分析的准确性。(3)设计实现结合语义概念与时空注意力模型的视频事件分析原型系统。基于程序模块化的设计理念,利用Python、Tensorflow和Numpy实现了系统算法,并采用PyQt设计了简洁的系统GUI界面。系统包含数据预处理,语义概念提取、模型训练和视频检测四个功能模块,验证了本文所提视频事件分析方法的可用性。