人工智能,近年来受到广泛的研究关注,并且在众多领域都得到实际运用。计算机视觉作为人工智能研究的一个子领域,目的在于实现计算机对人类智能处理视觉信息的模拟,以实现对于海量视频数据的高效智能处理。人作为社会活动中的主体大量出现在视频数据中,因此对人类行为的理解成为了视频分析技术的研究热点之一。由于人类行为复杂多变,细粒度地对这些行为进行研究,可以引导识别算法对其产生更鲁棒的理解,从而更好地运用于实际。同时,人类行为的发生只存在于视频中的某些时段,因此行为实例的开始与截止时间的定位也是一项研究重点。然而,已有细粒度行为方法为提高识别性能,往往使用高人工成本的额外辅助信息。另外,全监督的时序行为定位方法需要高消耗人力标注的时序边界作为训练模型的监督标签。对此,本文使用低成本的层次语义标签用于细粒度识别方法的研究,并对仅使用视频级类别标签的弱监督时序定位方法进行探索。针对此两个研究点,本文的主要工作内容为:（1）针对细粒度行为识别方法中判别性特征挖掘难问题,本文探究了层次语义标签的结构关系,并提出了基于层次语义标签的判别性特征学习网络。该网络由三条支流组成,并分别由不同粒度的类别标签作为监督信息。具体而言,该方法可分为自底向上和自顶向下两个阶段。在自底向上阶段,粗粒度网络会聚合同一粗粒度标签下不同细粒度行为的类间共同语义特征;在自顶向下阶段,细粒度支流根据已提取的共同语义特征,对细粒度特征中的类特有信息进行过滤激活,以提升细粒度行为间的判别性。该方法在多个细粒度行为数据集上进行了实验,定量和定性结果都验证了其的有效性。（2）针对弱监督时序行为定位方法中出现的类背景干扰和行为时序建模问题,提出了一个新颖的基于对抗学习的时序增强网络。针对背景干扰,该方法采用对抗学习模式,设计了一个背景梯度增强策略以将整个视频被视为背景以增加模型的分类难度,从而驱使模型更好地对行为前景进行关注。而时序增强网络分为两个分支:一条为基础作用分支;一条为时序连续性分支。其中,时序连续性分支与基础支流相互作用,以约束相邻帧间的预测结果一致性来提升模型的时序连续性建模能力。本文在两个时序行为定位数据集上开展了实验,相关结果也展现了此方法的优越性。