随着互联网和社交平台的快速发展，几乎所有的用户每天都在通过不同的媒体形式，在这些社交平台上传递着各种各样的信息。其中，短视频作为一种新的社交媒体形式出现在人们面前，由于其“短小精悍”，利用用户碎片化时间的特性，更好地适应了现代社会快节奏的需求，迅速受到了广大用户的青睐。区别于传统视频，短视频一般由个人用户创建，其长度往往十分有限。同时，随着互联网上短视频数量的增加，对短视频进行分类的需求变得越来越迫切。同时短视频分类也是对用户进行个性化的推荐前提。
　　在本论文中，我们主要研究短视频的复杂事件检测。复杂事件检测是一项具有挑战性的任务。相比于在视频中识别物体和动作，它是一种更抽象、更复杂的事件语义描述，需要从大量的视频中搜索特定的事件、人物，涉及到很多底层语义信息之间的交互，比如场景，人物，目标等。另外，对于短视频而言，时长的不足，会导致提供的有价值的信息不够丰富，这加大了事件检测的难度，故需要对已有的信息进行更充分的挖掘及利用。已有的事件检测数据库都是针对传统视频的，短视频事件检测数据库的缺失也增加了实验的困难。
　　针对上述问题，我们首先提出了一种基于多视角的低秩表征学习的短视频事件检测模型，该模型不仅可以最大化多个视角间的互补性和关联性，还可以通过低秩嵌入学习更低维本征的子空间结构；在此基础上，我们引入了一个鲁棒的弹性正则化网络，学习潜在标签矩阵来防止过拟合问题。其次，为进一步解决数据高维及非线性问题，通过核函数构建新的特征矩阵，将所提模型扩展到多线性形式，以提高模型处理高维非线性问题的能力。此外，为更好验证所提模型的有效性，我们从Flickr中抓取大量的短视频并进行过滤清洗，构建了一个用于短视频的复杂事件检测的数据库。在该数据库上的实验结果证明了所提模型的有效性。