随着信息科学技术的迅猛发展,当前可以接触到的视频正在急剧的增加,对得到的视频进行自动的视频序列分类在视频分析中正在得到越来越广泛的关注。视频序列分类已经广泛的应用到了多种领域,包括:视频摘要、视频检索和动作识别等领域。当对视频序列进行分类时人体的动作和手势是这些视频数据中最关键的语义组成部分。同时随着计算机视觉研究领域的迅猛崛起,计算机视觉在科学界已经扮演了一个越来越重要的角色。对视频序列分类的任务在计算机视觉的发展中扮演了一个越来越重要的位置。考虑到上述的事实依据,本文提出了一个新颖的基于张量时域关联模型的视频序列分类方法。在该方法中为了对视频序列进行分类本文将用张量作为系统的输入。由于在将视频序列表示成张量的过程中通常会伴随着严重的噪声和冗余,因此本文中首先将最初的在子空间张量通过空域中的映射矩阵映射到由文中所提出的方法中;此外为了能够更好的保存在相邻张量时间切片中的时域相关性和平滑性,本文引入了时间序列的统计自回归(AR)模型去学习得到映射矩阵。在该过程中不仅去除了视频序列的空域噪声和冗余,同时也保持了视频序列在时域上的连续性,很大程度上提高了对视频序列分类的准确性。在本文的实验中采用的是剑桥手势姿势数据集,在实验中与三类传统的方法进行了对比。实验结果表明本文的算法较基于图像特征的方法、基于张量的方法以及基于时域限制的方法相比都取得了很好的效果。并且本文的算法在很少的迭代次数下就可以达到算法的收敛。