随着移动互联网、摄像设备、社交网络等技术的迅速普及，视频成为互联网用户之间的一种新的交流方式，用户可以随时随地发布和分享多媒体数据(包括文字、图像、音频等)。但是面对与日俱增的海量多媒体数据，如何高效且准确地检索到用户感兴趣的内容，往往是一项艰巨的任务。视频检索，即根据用户输入的关键词，在多媒体数据库中检索与查询关键词相关的视频，已经成为多媒体信息检索领域的研究热点。但是如果用户需要在一个未修剪的长视频中，定位感兴趣的视频片段或者相关事件，就需要提出新的方法和框架解决，视频时序动作检索应运而生。视频时序动作检索，即根据用户输入的查询句子，在视频中检索相关动作的起止时间。注意力机制能够从源序列数据中提取得到与目标相关的内容，被广泛应用在跨模态检索模型中提取文本或者图像模态中的相关特征，增强跨模态特征匹配，显著提升了模型的性能。因此，本文以注意力机制为基础进行视频时序动作检索的研究。本文的内容主要包括：
　　(1)提出了一种基于语言-时序注意力机制的视频动作检索模型。该模型利用注意力机制，自适应地根据视频中的时序上下文信息来学习文本中每个单词的注意力权重，对复杂且多样的查询语言信息进行编码，在视频中准确定位与查询内容匹配的视频片段。
　　(2)提出了一种基于空间信息和语言-时序的视频动作检索模型。该模型通过两个注意力分支网络，即空间注意力、语言-时序注意力，同时关注视频、文本中的关键信息，然后对视频段的全局特征、局部特征以及文本特征进行联合建模，通过跨模态时刻回归定位网络去预测事件发生的起止时间。
　　(3)提出了一种基于多模态张量融合的视频动作检索模型。该模型引入了一种张量融合模块，将视觉上下文时序特征与文本特征平均池化后，再通过张量融合网络，同时捕捉多模态数据的单模态信息以及模态交互信息，促进多模态特征间的数据融合。
　　本文在TACoS，Charades-STA和DiDeMo三个公开数据集上进行实验验证，其中语言-时序注意力模型的准确率相比于早期的经典工作CTRL提升了0.24%~2.49%；空间与语言-时序注意力模型相比于语言-时序注意力模型提升了0.73%~2.67%；引入张量融合网络后，模型提升0.3%~2.26%。