随着互联网多媒体技术的迅速发展和短视频应用的兴起,每秒钟数以万计的视频被分享到因特网中。人们对于视频智能化处理的需求逐渐趋于多元化,相较于传统的视频内容分类,人们往往更关心如何在在数以亿计的视频海洋中搜索到自己所感兴趣的动作片段。然而视频具有数据量大、格式繁杂、内容丰富等特点,传统的人工标注方式浪费了大量的人力成本和时间成本。如何高效智能地检测出视频中出现的动作片段一直是学术界和工业界的难题。针对以上背景,本文通过对深度神经网络、物体检测算法和视频时序行为检测算法的研究,提出了两种基于深度卷积神经网络的视频时序行为检测算法,引入神经网络来识别检测视频中的行为片段,并基于提出的时序行为检测算法实现了视频动作片段搜索系统。论文的主要研究内容及成果如下:(1)提出了一种基于解耦分类任务和定位任务思想的视频时序行为检测网络——DCL网络。DCL网络将时序行为检测任务中的定位任务和分类任务分别抽象为行为敏感模块和分类敏感模块。行为敏感模块通过学习行为边界偏移信息来提高行为片段边界定位精准度,分类敏感模块通过学习视频语义信息来提高行为分类的准确率。(2)提出了一种多尺度级联回归(Multi-Scale Cascade)网络来精确检测视频中出现的行为片段。该网络中设计的多尺度回归单元通过对不同尺度的视频段特征设定相应的学习任务来引导网络的训练,加快了网络的收敛。每级回归单元学习到的知识都会为下级回归单元提供可靠的先验,大幅提高了时序行为片段边界定位的精准度。(3)基于文本提出的多尺度级联回归网络设计并实现了视频动作片段搜索系统。该系统根据用户上传视频文件和动作关键词来返回视频中所有对应动作类别的视频片段。系统还实现了基于词义关系的关键词搜索算法以及基于行为内容的关键帧封面选取算法,最后以视频关键帧轮播的方式展现给用户。经过严格的系统测试和验证,该系统能够对用户上传的视频做出精确及时的动作片段搜索。