视频可以提供比图像更丰富的视觉信息,从视频中提取的时空特征可应用于多项视觉任务。如:视频检索、动作识别、视频生成等。在现有的视频时序特征学习的模型训练过程中,视频被随机输入到网络模型中来学习时序特征。但在现实情况下,视频具有不同级别的帧/视频段的序列显著性,模型更容易准确识别具有帧/视频段序列显著性高的视频,而不容易准确识别帧/视频段序列显著性低的视频。因此,有效利用帧/视频段序列的显著性将有利于视频时序特征的有效学习,有利于提高相关视觉模型的性能。本文的主要内容和创新点包括:（1）为衡量视频中帧/视频段的序列显著程度,提出了视频序列显著性（VSS）的新概念,并用于度量视觉模型对视频内容理解的难易程度。进而,提出一种基于VSS的逐步自监督时空特征学习算法。该算法包括模型预训练和模型迁移两个阶段。在模型预训练阶段,通过执行视频段序列预测任务使模型从具有不同的VSS值的视频中学习时序特征,所有视频信息按VSS值有序输入3D CNNs（C3D、R3D和R（2+1）D）。首先,初始化所有视频的VSS值;然后,根据视频段序列预测结果更新每个视频的VSS值,根据更新的VSS值对视频进行排序,并设置了一个超参数,将排序视频分成N个视频组;再将这些视频组按VSS值的降序输入到网络模型里进行迭代训练,每次迭代时更新每个视频的VSS值,直到模型收敛为止。实验表明:本文提出算法比基准算法在视频段序列预测任务上的识别准确率提升了2.9%。而在视频段检索、视频检索和动作识别等任务上相对于基准算法也有较大提升,从而验证了提出算法的有效性和优越性。（2）针对视频生成任务中时序特征难以有效学习的问题,本文对基于自监督时空特征学习的视频生成对抗网络进行了改进。在生成器网络中利用基于L2正则化损失函数来解决模型过拟合问题。而对于判别器网络的3D CNN模块,在其前四层卷积网络后增加了3D平均池化层3DAvg Pool,来使模型参数减少,从而判别出合成视频和真实视频,以及识别帧之间运动的时序关系是否正确。通过在相关数据集上的视频生成实验表明:本文算法与基准算法相比,其中各项评价指标得到了有效的提高,生成的视频更加逼真。