多媒体事件检测(Multimedia event detection, MED)是计算机视觉和视频检索领域中一个极具挑战性的研究热点。过去的十年,人工设计(Hand-crafted)的特征及其融合策略在诸如UCF-101等公开的行为库中获得了较高的识别精度,却未能在MED中取得令人满意的结果。这是由于多媒体事件远比行为识别任务复杂,其视频内容抽象多变,难以用传统的底层特征表示。最近几年,深度学习在图像分类领域不断取得突破,它借助大数据集下规模化的监督学习,提取出有效的图像表示;特别是其端到端的学习模式为其他一些视觉任务提供了有益参考。然而,在MED等特定的视频任务中,深度学习算法由于缺乏成熟的面向视频分析的网络结构以及受到设备的限制,依然没能取得较大进步。本文针对MED任务中的难点,从特征的提取、视频内容的表示、分类器学习等方面进行了深入的研究,主要工作包括:1.提出了一种融合多个深度网络模型的图像特征提取算法,提高了特征的区分性和泛化能力。2.基于经典VLAD编码方法,提出了一种改进的视频表示算法,增强了视频表示的有效性。3.提出了一种基于线性支持向量机的视频分类算法,实现了视频的快速分类。4.搭建了一个基于时空融合的多媒体事件检测系统,在TRECVID2016MED评测中的10EX和100EX任务中均获得了第一名,同时在其他多个数据集和全国首届舆情挑战赛上也取得了好成绩,验证了本文提出的MED检测框架及算法的有效性。