视频时空定位任务是计算机视觉和自然语言处理技术两个领域的交叉融合,可被广泛地应用于安防监控、视频检索等领域。关系时空定位和多句式查询文本的目标时空定位是视频时空定位任务中的两个新兴的研究分支。现阶段的关系时空定位方法利用目标空间特征构建目标之间的动态关系特征,通过信息的单向传递定位符合关系的多目标时空轨迹,然而其忽略了信息的双向传递对定位的指导作用,且错误的信息在单向传递过程中难以被矫正。同时,现阶段大部分多句式查询文本的目标时空定位方法仅从单一的视觉信息中编码目标特征及目标之间的关系特征,忽略了查询文本中包含的属性词、关系等多种应当被考虑的语义信息。此外,通过加强同一目标的帧间关联,可以提升定位模型的时间定位性能。本文针对现阶段关系时空定位方法和多句式查询文本目标时空定位方法中的不足之处开展研究,主要成果如下:（1）提出一种基于多关系协同与自适应信息过滤的迭代式视频关系时空定位算法。视频关系时空定位任务中存在三个重要的问题:“主语需要关注什么”、“谓语需要关注什么”以及“宾语需要关注什么”。三个问题虽然各自有区别,但利用三者之间的互补信息可以有效缓解语义模糊导致的定位歧义问题,从而提升关系时空定位的整体性能。因此本文设计了一个基于多关系协同与自适应信息过滤的迭代定位网络来同时解决三个问题。首先,迭代定位网络将主语、谓语和宾语表示为三个主要信息节点,三者之间通过边来相互传递信息,使各节点在每次迭代中通过结合其它节点的信息来调整自身定位的范围,从而消除定位歧义。其次,本文构建了多种类型的关系子网,包括空间关系、时间关系、局部-全局关系等,以充分对三个节点内部及节点之间的不同关系进行建模。并且,对于每一个节点接收到的、包含多种关系的输入信息,应用自适应过滤门来有选择地记忆其中有用部分而滤除无用部分。本文在Vid VRD和Vid OR数据集上进行了实验与结果分析,证明了算法的有效性。（2）提出一种基于多种语义特征和周期一致性的多句式查询文本目标时空定位算法。首先,针对现阶段视频定位任务中,视觉与文本之间存在的“语义鸿沟”,本文通过提取查询文本中修饰目标名词的属性词的语义特征来增加文本所包含的信息量,以缩小两者间的信息差距。其次,针对时空定位任务中关系聚合问题,为解决依赖于单一视觉信息分配关系权值或无差别地平等考虑所有关系所导致的问题,本文将视觉信息与语义信息结合,利用重要性估计网络估算目标间关系的重要性。最后,对于常被忽略的同一目标在时间序列中帧间关联信息建模问题,本文引入周期一致性概念,通过最小化正向时间顺序定位和逆向时间顺序定位的差异来加强同一目标在不同帧上的定位一致性。与现有算法在Vid STG数据集上进行对比与分析,验证了本文所设计的算法的有效性。