作为当代社会传输信息的主要媒介,视频承载了丰富的各类信息,相较于二维层面的图像信息,视频多了一维时间序列,它记录了一段时间内画面上任何变化所产生的内容,这些内容可以划分为无效信息和有效信息两种类型的信息,通过人力对视频中的有效信息进行行为识别和判断耗时耗力,会浪费相当大的人力资源,因此如何让计算机代替人力便是计算机视觉研究的一个方向。随着计算机硬件技术的发展和深度学习研究的深入及广泛应用,研究者们将深度学习和行为识别相结合,并取得了优异的成果。在这个基础之上,研究者们已不满足对已经分割好的明确包含了人的行为的视频进行行为识别,他们开始对一段包含了多种有效的行为信息和无效的背景信息的长时间视频进行处理,并对视频中的人的行为持续时间进行时间定位,找到这段行为的开始时间和结束时间,称之为时序行为检测,同时要对该段行为进行行为识别分类。总的来说,时序行为检测的研究内容便是计算机提取并处理长时间视频中关于人体行为部分的有效信息,从而达到对未分割视频中关于人体行为的时长定位和行为识别的目的,本文的主要内容如下:（1）提出了基于帧级别的用于实时处理未分割视频的深度时空网络。对于任意一个时间较长的视频,为了解决未分割视频处理时间较长的问题,以达到能对实时输入的视频输出实时处理结果。首先人为将该视频等长度的进行分段,然后将每段视频输入到深度时空网络中,基于三维卷积神经网络（C3D）的特征提取模块可以直接对当前输入视频段的时序信息进行快速特征提取,并将提取的特征作为行为定位模块的输入特征。在行为定位模块中,三维卷积提取到的特征将通过长短期记忆网络（LSTM）来获取该段输入的行为持续时长,并将行为类型相同的连续的视频段的结果相叠加,从而得到该行为总的行为持续时间;（2）将注意力机制运用到深度时空网络以提高准确率。为了提高深度时空网络对时序行为定位的准确率,在对输入视频进行等间隔分段之前,通过基于注意力机制的弱监督的方法去除背景数据,只留下部分含有人体行为信息的视频片段,作为深度时空网络的输入视频进行处理。该方法大幅减少了深度时空网络所要处理的数据量,并去除了干扰数据,提高了准确率。本文针对未分割视频中掺杂的信息复杂,既包含了有效的人体行为信息,也包括了无效的背景信息的问题,提出了一个可以对视频中有效的人体行为信息进行定位和识别的神经网络模型,并为了提高时序行为定位准确率对其作出了补充完善。该深度时空网络最主要的贡献是可以对输入的视频进行实时处理,对于输入的未分割的视频可以做到每秒输出约26帧的视频处理结果,包括可能的行为的开始和结束时间以及该行为的类别,并在THUMOS14数据集上达到较好的结果。同时,为了提高对人体行为定位的准确率,引入了注意力机制为核心的弱监督网络,对输入的视频进行预先的剪辑,从而减少输入到网络的数据量以及无效的背景数据,通过对数据进行预处理来提高精度,相较于未对数据进行预处理的深度时空神经网络的结果有所提高。