基于视频的人体行为检测在目前来说是一项极具挑战性的任务,同时其潜在应用众多,包括智能安防,视频自动裁剪等。行为检测目标是将视频中的动作序列分离,找到属于动作的时间区域,并将其做行为识别,找到其动作类别。本文主要以当前的二阶段行为检测网络为基础,从特征提取方面以及行为定位算法和后处理算法上对该问题进行了研究与改进,具体内容如下:（1）基于目前行为识别的结果来看,视频特征提取主要集中在3维卷积（C3D）,双流法和膨胀的3维卷积方法（I3D）,本文对三种特征提取方式均进行了实验,并将获得的三种特征用在后续的行为定位网络和整个行为检测网络中,并最终确定I3D特征提取网络作为本论文的特征提取网络。（2）本文对行为检测的瓶颈部分,即行为定位算法部分进行了分析,并在当前基于边界的时序行为定位算法的基础之上做出改进。具体来说,在边界匹配网络中对其特征从通道维度和特征维度使用了注意力机制,并运用不同的组合方式,将通道注意力和时序注意力进行融合,将特征提取网络得到的特征在时间维度和通道维度上进行交互建模。实验证明,在此种特征建模方式之后,能得到召回更高的Proposal,对整个行为检测过程中也能取得更高的平均精度均值（mean Average Precision,m AP）。同时,还设计了时序上的空洞时间金字塔池化（Atrous Temporal Pyramid Pooling,ATPP）结构,将不同空洞大小的卷积层在同一层使用,旨在提升网络对长短动作检测的泛化性能。除了上述建模方式,本文还探究了图卷积在时序特征上的运用,将图卷局（GCNext）模块运用在特征建模上,对比了上述建模方式的性能优劣。（3）本文针对二阶段的行为检测过程中容易出现的问题进行了分析,并给出解决方案。比如生成提名（Proposal）过程中出现的正负样本不均衡问题,采用在线困难样例挖掘（Online hard example mining,OHEM）训练方式解决。另外在Proposal去重阶段对比了更加优秀的后处理算法,soft-NMS和softer-NMS算法。同时,针对网络中出现的一些超参数,比如对于特征在时序上的截取采用的滑窗长度,本文也进行了实验分析。基于以上,本文在Thumos14上,对上述提到的改进点和研究点进行了对比实验。本文最终使用的是基于I3D特征提取网络的特征,使用带ATPP结构的时序注意力模块和通道注意力模块对该特征重新建模,最后采用当前最为先进的去重复算法对生成的Proposal进行过滤,达到了更好的效果,并且对实验结果进行了分析,实验结果也充分说明上述改进效果的有效性。本文提出的改进方法,在基础网络之上提升很大,最终在mAP@0.5指标上在Thumos14行为检测数据集上取得了41.8%的成果。最后,对本文的研究内容也进行了一定的思考和拓展,同时也对视频行为检测方面未来的发展进行了探讨和展望。