时序动作定位需要在未剪辑的视频中找到所有与人有关的动作,不仅要确定动作发生的精确时间还要确定其类别。弱监督时序动作定位使用视频级的类别标签作为监督信号,相比于全监督的方式标注成本低,其视频中只有少数同一类别的动作片段。现实生活中的视频动作实例更多,且同一时间会发生多种动作,弱监督的方法难以建模密集分布的动作实例之间的复杂时序关系。故本文对弱监督时序动作定位和多标签时序动作定位进行研究,具体工作如下:（1）针对现有弱监督时序动作定位方法产生动作提议不完整以及动作语境混淆问题,本文设计了一种多时间尺度一致性网络。首先使用一种多时间尺度的模块,利用不同尺寸的卷积核建模视频的时序关系,并使用多分支来提升动作完整性。其次,通过估计多时间尺度特征的时间类激活图,并对多分支的时间类激活图进行融合,获得多时间尺度一致性的动作预测标签。最后,为了进一步优化模型预测的动作标签,采用迭代优化策略,在每次迭代中更新预测标签,并为模型训练提供有效的帧级监督信号,从而解决动作语境混淆问题。（2）针对多标签场景下难以建模动作实例之间的复杂时序关系问题,本文设计了一种动作依赖网络,处理多标签复杂场景下的动作定位。不同动作标签之间的动作依赖关系包括发生在同一时间的类别依赖和不同时间的时序依赖。为了建模复杂动作间的依赖关系,首先提取视频特征,并对其增加类别维度,从而转换为类级的特征。然后基于两种依赖关系利用注意力调整类级特征,通过同一时间内其他动作的是否存在来建模类别依赖关系,时序依赖关系则是通过输入视频的所有时间内的动作来建模的。通过对这两种依赖关系的建模更好地学习时空表达能力,提升网络对于复杂动作的定位能力。