时序动作检测任务是当前计算机视觉领域的研究热点之一。该任务可以定义为:以自然采集的视频片段作为输入,自动输出视频中包含动作片段的开始时间点和结束时间点（时序动作提名生成）,以及该动作的具体类别（动作识别）。本文分别对时序动作提名生成任务和时序动作检测任务进行了探索和研究。关于时序动作提名生成任务,针对现有方法对动作开始和结束边界点难以准确定位的问题,本文提出了一种基于精确边界预测（Boundary Prediction-Precise,BP-P）的时序动作提名生成网络。首先,BP-P方法通过对视频序列中局部级动作特征和提名级动作特征的融合,更充分地利用背景与动作分界点处的特征变化,提升动作边界定位的准确性。其次,针对训练过程中的正负样本及难易样本不均衡问题,BP-P方法提出了一个新的损失函数“Free-Focal Loss”。该损失函数能够有效提高不同区间Io U样本在网络权重梯度更新时的贡献平衡度。最后,针对分类和回归任务联合训练中困难样本的大梯度对训练不利的问题,通过引入“平衡L1损失”来提升准确样本的回归梯度。为了证明BP-P模型在时序动作提名生成任务上的有效性,在公开数据集Activity Net-1.3上进行了实验。实验结果表明,BP-P方法能够将AR@100指标从基准的75.01%提高到76.56%,与当前本数据集上已知的最好结果相当（76.75%）。关于时序动作检测任务,目前一阶段框架具有高效率的优势,而两阶段框架实现了高精度,为了继承两者的优点,同时避免它们的缺点,本文首次将目标检测RefineDet算法中一阶段与两阶段框架融合的思想引入到时序动作检测任务中,提出3D RefineDet时序动作检测算法。该算法通过对二维网络模块进行时空泛化,构建了适用于视频特征的3D检测网络。为了证明3D RefineDet算法在时序动作检测任务上的有效性,在公开数据集THUMOS-14上进行了实验。实验结果表明,3D RefineDet算法在m AP@t Io U指标的多个Io U阈值下都获得了显著的效果提升,当Io U阈值取0.3时,将m AP从50.1%提高到了53.6%,提高了3.5个百分点。