随着移动互联网以及移动端设备的快速发展,越来越多的用户在各类互联网短视频平台上进行创作。如在抖音上传自己的跳舞视频,由此产生了大量包含各种动作信息的短视频数据。因此对这些短视频数据进行等各方面的分析也就有了重要的价值。短视频内容学习是对生活中各类短视频数据进行分析、处理、归纳和推理的过程。短视频人物动作识别与背景风格转移是短视频内容学习算法的一个分支。然而,短视频数据中存在着空间和时间维度的特征,传统的特征提取器只专注于空间维度的特征,导致动作识别和背景风格转移的效果较差。此外,在处理短视频数据时需要设计三维卷积网络模型,而模型过大且参数量过多导致模型过于冗余。因此,目前的短视频人物动作识别和背景风格迁移解决方案有两个方面。一是设计一个模型来同时处理空间和时间特征。另一种是设计一个模型来实现特征的转换和迁移。两个模型都具有少量参数。针对短视频人物动作识别。本文为了减少参数,在双流网络的基础上进行改进,提出了层级变换器模型。并在谷歌的变换器基础上进行改进,提出了时空混合注意力,对短视频的人物动作特征进行细粒度的分析。针对短视频背景风格转移,本文与传统编码解码器不同的是。提出了图像视频协同学习架构,使用不同的损失函数对图像视频编码解码器进行学习,使用控制因子对损失函数的平衡进行调整。以达到短视频背景风格转移的目的。本文的主要内容,及创新点如下:（1）针对三维卷积网络具有大量参数,而双流网络无法充分提取短视频特征的问题。本文提出了层级变换器模型,旨在更充分地提取特征并减少参数。该模型分为三个模块:层级残差重整器,空间注意力和时空混合注意力。首先将短视频的每一帧转换为空间视觉特征图。其次,通过空间注意力分析空间特征以生成注意力空间特征向量。最后,将生成的注意力空间特征向量与时间特征图合融合,以生成用于动作识别任务的融合特征。（2）针对如何生成抽象风格背景的短视频的问题。本文提出了Render Net。Render Net由一对视频编码器和解码器,一对图像编码器和解码器以及一个生成器组成。编码器用于提取图像和视频特征,解码器用于重建图像和视频,生成器主要用于生成最终的短视频。Render Net使用了三种不同的损失函数来分别优化学习特征,计算视频帧与图像之间的图像梯度损失和视频帧梯度的损失。