视频目标检测越来越广泛地应用于各行各业,并具有极其重要的研究意义和实际应用价值。论文通过应用经典图像和视频检测算法于专业病害和虫害视频数据集后,发现这些经典算法针对专业病虫害数据集的检测率不佳。其原因在于病虫害数据集较其它数据集的目标（如病斑）形状不规则、帧的前景背景杂乱等;而视频检测本身也具有存在视频中物体运动模糊、物体遮挡、物体形变、视频散焦等固有难点。因此,视频检测相比图像检测,难度更大,面临的挑战更多。针对上述问题,论文提出了基于视频序列的深度时序特征建模研究,将视频序列就深度特征和时序特征分别建模。深度特征建模能加强帧内的深度语义特征的提取;而时序特征建模能增强视频帧的时序信息特征的应用,是解决视频检测效果不佳的另一个有效方法。论文的主要研究工作与创新点如下:（1）定义了视频时序信息及其数学表达式,归纳了现有的视频目标检测方法,明确了提取帧之间的时序信息、提取关键帧是视频检测的方向之一。分析了视频、视频帧时序信息、视频目标检测的特点,以及视频中有物体运动模糊、物体遮挡、物体形变、视频散焦等特点的原因。（2）针对水稻病虫害视频检测平均精度较低、检测识别错误率较高的问题,借鉴了传统方法中提取深度语义特征的思想,提出了一种基于深度神经网络（DCNN）的特征提取方法,提升了水稻病虫害检测方法的性能。与一些知名算法相比,提出的深度神经网络方法取得了先进的检测结果以及较好的泛化能力。（3）提出了一种阶梯型的数据采样器结构,增强了 LSTM模型利用帧之间时序特征信息的能力,进行了时序特征建模。提出的阶梯型数据采样器能够加速LSTM模型的收敛,从而提高LSTM模型的学习速度。同时,提出的方法拓展到UCF101人类动作识别数据集上进行视频检测实验,结果验证了本方法的泛化能力。实验结果显示,该数据采样器能够提高视频检测准确率。（4）提出了一种包含ResNet-50深度特征建模和上下文LSTM时序特征建模的LSTM模型,提出了模型训练中的信息传输损失,在UCF101人类动作识别数据集上进行了检测实验,实验结果验证了分类器的准确率和健壮性,在UCF101的全部验证集上取得了先进的top-1准确率,实验结果也验证了模型具有较好的泛化能力。