针对公共场所中的特定事件的自动检测技术是保障公共安全的重要手段之一,也是推动社会智能化发展的重要技术之一。时空行为检测（Spatiotemporal Action Detection,STAD）就是在此需求下应运而生的自动化检测技术,常用于检测视频中特定的行为及其发生时所在的时空位置。时空行为检测中,用于检测如学校、监狱等特殊场所中打架斗殴等暴力事件的暴力行为检测（Violence Detection,VD）技术具有极其重要的应用价值。虽然,基于手工特征的传统STAD技术已趋于成熟,但其较低的计算效率、较弱的特征表达能力等问题阻碍了实际应用。随着深度学习在计算机视觉领域大放异彩,STAD任务也得到了迅速的发展。本文基于深度学习对暴力行为检测和时空行为检测作了进一步的研究,具体可以总结为以下两点:（1）通常暴力行为检测任务仅完成判断视频中是否存在暴力行为,而不管暴力行为发生的具体空间位置。本文中VD研究工作基于STAD,也就是说不仅识别暴力行为,而且检测其具体时空位置。受two-stage目标检测架构启发,本文设计了一个基于R-CNN结构的VD模型,该模型使用行为者推荐网络得到针对人类的区域推荐,并使用三维卷积来对一定时间范围内的相关区域特征建模,以此获得暴力行为的时空特征。通过实验验证了该模型的有效性。在此模型的基础上,本文设计了一个从数据获取到检测结果保存的完整VD系统,并改进了本文VD模型的检测流程以更好适应实际使用环境（在线或离线检测）。（2）现有的时空行为检测方法通常都是由目标检测中先定位后分类的two-stage检测架构扩展而来,然而这种检测架构用在STAD任务上往往会产生高昂的计算成本和次优解。本文中提出了一个概念简单且计算高效的STAD模型,名为MUB-Detector。在有强大时空建模能力的三维卷积神经网络基础上,MUB-Detector使用了一个时间敏感多分支结构将STAD任务简化为多次一阶段“目标”检测,进而得到输入视频片段中每一帧存在的行为实例的空间位置及行为类别,最终实现one-stage的STAD。在两个基准数据集（J-HMDB和UCF101-24）上的实验结果表明,与基于two-stage检测架构的方法相比,使用本文提出的统一STAD框架可以有效地提高检测效率。特别是,其他方法使用了光流等额外数据辅助检测,但本文MUB-Detector能在仅使用RGB图像的情况下,获得与其竞争的检测精度,并且检测速度更快。