近年来5G技术发展成熟,移动设备中相机配置越来越高,人们更愿意拍摄视频上传到网络上,互联网上视频数量持续急速增长,因此迫切需要高效的视频处理方法来满足海量视频处理的需求。视频分类技术是根据视频中内容自动判断视频所属类别的技术,是视频处理领域的重要组成部分,是计算机视觉领域的基础研究课题,对视频分类技术进行研究是必要的,同时视频分类技术也可以被广泛应用到生活中的各个领域,所以对视频分类任务的研究正在被越来越多的研究者所关注。深度学习方法在图像处理领域获得成功之后,越来越多的研究者将深度学习方法应用到其他多媒体信息处理的研究中。虽然目前深度学习在图像处理方面取得了重大成就,但是它在视频处理中的研究还不够深入,视频数据与图像数据的差异使得视频处理的研究仍然面临巨大的挑战。因此,本文以双流视频分类模型为准线模型,从视频分类任务的两个主要研究难点:特征提取和特征融合方面入手,分别提出基于注意力机制改进的深度特征提取及可学习权重的深度特征融合方法,以提高视频分类精度。本文研究的的主要创新点有:1、本文从提高特征的表达能力的目标出发,引入多尺度注意力机制强化特征的提取阶段,来获得质量更高的分类特征。将特征提取网络分为四个阶段,在特征提取网络的每个阶段特征图输出后加入多尺度注意力模块,强化各层次输出中信息量大的特征,抑制冗杂特征,并通过逐层注意力不断加强注意力作用效果,这样获得的特征重点突出,有更强的表征能力,分类准确度也更高。2、本文从传统双流视频分类模型分别独立提取时空流特征而忽略了时空流特征之间的联系这一点出发,建立时空流之间联系来达到以时空流的紧密关系促进特征提取的目的。在Simonyan等人提出的双流视频动作识别模型中,时空流特征分别进行提取,忽略了视频数据中时空信息的高度相关性。本文基于紧凑的双线型池化结构设计可插入的时空流连接模块,建立起时空特征提取流之间的联系,更好地整合了两个流的信息,用一个流的特征去增强另一个流的特征学习,最终提高特征的质量。3、本文设计算法学习时空特征的融合权重。在对不同种类的视频进行分类时其静态特征和动态特征对分类结果的影响程度不同,应用固定权重进行时空特征融合融合会限制网络的分类表现。本文设计了可学习权重的时空流特征融合方法,获得了更好的分类效果。