近年来,随着高清摄像头的普及和短视频应用的兴起,视频数据呈爆炸式增长,传统基于人力的视频分析方法难以满足现实应用需求。基于人工智能,尤其是基于深度学习的智能视频分析算法逐渐成为学术界和工业界的研究热点。时域动作定位作为其中的一项关键技术,其旨在找到感兴趣的动作在视频中的起始时间和结束时间,在视频检索、体育赛事智能化解读等系统中具有重要的应用价值。然而,现有的大多数时域动作定位算法都是基于全监督的,需要用预先定义的策略来进行精细化动作类别和时域边界标注,然后训练模型。这一过程需要标注大量的数据,耗时耗力,严重限制了时域动作定位技术的应用。本文以降低标注代价为出发点,系统性研究了视频级文本描述、视频级类别标签和数据级动作类别数目监督下的时域动作定位算法,三种监督信息逐步减弱,对应的算法研究难度也逐步增大。具体而言:1)在视频级文本描述作为监督信息方面,目前方法难以应对弱监督信息下视频和文本间跨模态匹配难的问题,导致动作定位边界偏差大;2)在视频级类别标签作为监督信息方面,目前方法难以实现完整动作定位和解决复杂背景干扰问题,存在较多漏检和误检;3)在数据级类别数目作为监督信息方面,目前方法难以产生高质量的伪标签,导致动作定位语义类别偏差大。本文针对这些关键问题进行了深入研究,主要的研究工作和创新点如下:1.提出了一种基于局部对应性建模的弱监督时域动作定位算法。针对视频级文本描述监督下的视频-文本跨模态匹配难问题,该算法提出了两个核心模块:层级特征表示模块、循环一致性建模模块。层级特征表示模块将视频和文本特征进行结构化表示,便于建模细粒度的文本-视频对应性;循环一致性建模模块通过自监督损失来约束视频和文本间的局部相似性,从而学习鲁棒的视频和文本间的细粒度对应性。在两个标准数据集上的结果表明,该方法能够取得明显优于现有方法的定位精度。2.提出了一种基于结构化建模的弱监督时域动作定位算法。针对视频级类别标签监督下的动作定位不完整问题,该算法提出了两个结构化建模模块:全局结构建模模块和局部结构建模模块。全局结构建模模块能够利用图卷积网络建模视频片段之间的关系,学习更鲁棒的视频表征,避免同一动作被切分为多个片段;局部结构建模模块能够挖掘动作的不同组成成分,建模动作的时域结构,避免模型只激活到最显著的动作片段。在两个数据集上的实验结果表明,该方法能够明显提升动作定位的完整性。3.提出了一种基于不确定性引导协同训练的弱监督时域动作定位算法。针对视频级类别标签监督下的复杂背景干扰问题,该算法提出了两个核心模块:在线伪标签生成模块、不确定性感知学习模块。在线伪标签生成模块能够利用教师网络作为桥梁来产生片段级前景/背景伪标签,使得基于光流的模型和基于图像的模型在训练中能够相互学习促进,对每个片段给出一致的前背景预测结果;不确定性感知学习模块能够自适应地从数据中学习伪标签的可靠性,并通过一个新设计的不确定性感知损失来降低伪标签中噪声的影响。在两个数据集、三个方法上的实验结果表明,该方法能够明显抑制复杂背景干扰,提升这些方法的定位精度。4.提出了一种基于最优传输的弱监督时域动作定位算法。针对数据级动作数目监督下的伪标签质量低问题,该算法将伪标签生成建模为一个最优传输问题并考虑了三个核心约束:“一致性、紧凑性、均匀性”。“一致性”约束能够使得每个伪类别在训练过程中保持语义性不变,对稳定模型训练具有重要意义;“紧凑性”约束能够使得具有同类伪标签的视频特征相互靠近,对于保证伪标签的精度具有重要意义;“均匀性”约束能够使得产生的伪标签在各类上数目大致相等,可有效防止伪标签坍缩为少数几个大的类别。在两个数据集上的实验结果表明,该方法能够显著提升伪标签质量,取得领先的定位精度。