近年来,得益于人工智能的进步以及深度学习和神经网络的创新,计算机视觉领域近年来取得了长足的飞跃。小至计算机视觉领域,大至人类文明,非常多数据是存储在视频当中,所以对视频进行智能化分析与处理成为了热门选择。在视频智能化分析中,时序行为检测是非常关键的一项任务。它是指给定一段未经过修剪的人类活动长视频,学习模型要把人类行为片段的起止时间检测出来,更是要确定每一段人类行为的归属类别。同时它也是非常具有技巧性的一项关键性工作,我们可以通过肉眼来标注长视频中的人类行为片段类别以及起止时间作全监督模型训练,也可以只标注行为片段类别作弱监督模型训练。前者会占用大量的人力物力,后者只需要攫取些微的算力。因此长视频下的弱监督时序行为检测对于社会资源的优化整合显得特别重要。长视频下的弱监督时序行为检测任务引起了广大业内科研人员的关注。在本人的理解中,该任务存在着三个关键性问题:1)作为人类行为片段的检测任务,骨骼关键点等人本身的属性特征并未得到利用;2)通过计算一段视频中每个视频片段特征余弦距离,发现所用的流行特征具有比较弱的判别力,即从根本上限制了模型;3)视频中的行为片段存在相当强的背景信息干扰,因此剔除不必要的背景信息是非常重要的。于是,本文提出了一个完整的深度学习框架来对应解决以上问题:1)本文设计了行人姿态流时序注意力感应机制。它针对于长视频的每一帧,提取出人的骨骼关键点作为行人姿态,利用行人姿态变化来辅助框定长视频中行为片段的起止时间。2)本文设计了行人动作捕捉分支。它提取出的关键人体行为语义特征与关键姿态特征进行加权特征融合,得到了具有较强判定力的长视频特征表示。3)本文设计了行为背景分离模块。该模块设计了新的损失函数,对长视频的每一种动作类别所包含的动作实例个数进行学习,从而增强了视频中时间相邻动作实例的特征表示,有效剔除行为背景信息。