近年来,基于卷积神经网络的方法显著提高了大量计算机视觉任务的准确率。其中,基于深度学习的动作行为识别和定位也取得了巨大进展,该任务的目标是确定未剪辑视频中动作实例的开始和结束时间以及对应的类别标签,其中所包含的时域行为检索步骤是视频动作理解中一个有希望和有挑战性的任务,它要求使用相对较少的推荐区域来检索包含高召回率和高重叠率的真实动作实例。当前的时域行为检索方法通常假设训练和测试数据来自相同的分布,这在实践中并不总是成立,理想数据和真实数据的分布不匹配问题会导致模型在真实世界中显著的性能下降。为了解决上述域分布差异问题,本文在三个层面上设计了域适应模块:1)视频级偏移,如视频风格、视频质量等;2)实例级偏移,例如动作实例的外观等;3)边界级偏移,动作是如何触发和终止的。从最近最先进的行为检索生成器出发,本文分别在视频级、实例级和边界级上设计了三个域自适应组件,共同减少域差异。在实验中,使用了两个基准数据集（THUMOS14,ActivityNet1.3）来评估所提出方法的性能。同时在Charades-Ego数据集上进一步论证了方法在跨视角视频检索任务上的适用性。本文提供了大量的定性分析和消融实验来验证方法中各模块的有效性。在本文中,介绍了域自适应时域检索模型,这是一种有效的跨域时域检索方法。利用本文的方法,使用者可以在不使用任何额外标记数据的情况下获得一个新领域下鲁棒的时域行为检索器。本文的方法建立在现有最先进的时域检索模型上,并在不同的域迁移场景下得到了验证,其中自适应方法明显优于基线网络,从而证明了模型对跨域行为检索任务的有效性。