由于数字媒体技术的发展,网络上的视频信息量呈爆炸式增长。如何快速在庞杂无序的视频数据中找出有效片段,正成为视频理解领域研究人员亟待解决的重要问题。目前视频理解课题已衍生出动作识别、目标追踪、时序动作检测、视频标注等任务。其中,时序动作检测是计算机视觉领域中的一项重要课题,不仅是视频分析与处理工作的基础,在视频监控、安防等领域有广阔的应用前景。时序动作检测要在未剪辑的长视频中定位出各动作实例的精确动作区间,并确定动作类别。由于现有动作识别方法已经比较成熟,所以此任务的难点主要在于如何在时间轴上准确定位出动作的起止点,即生成精确的时序动作提名。由于动作的边界定位对于时序信息较为敏感,要提高时序动作检测的效果,充分提取和利用时序信息至关重要。针对时序动作提名生成任务,本文提出一种时序锚点偏差预测模型。该模型提取单元片段级视频动作特征,利用多层双向循环神经网络提取不同层次的时序信息,并基于短片段级时序信息计算其帧级偏差,且根据这些时序信息得到每个时序锚点的目标动作置信得分。随后针对时序动作提名中获取精确动作边界的需求,本文提出一种模型,利用一维卷积神经网络提取局部动作边界信息,并结合循环神经网络得到可靠的时序动作提名。实验结果表明,本文提出的时序锚点偏差预测模型和时序锚点边界预测模型都可以在现有数据集上显著提高时序动作提名生成和时序动作检测的性能。