目前传统的视频分类方法是基于人工提取的特征,这种方法在早期任务中取得了较为优秀的性能,但传统方式非常依赖特征提取算法以及特定任务的知识,因此,目前已过渡到基于深度学习的方式。解决该问题的传统深度学习算法是基于双流卷积神经网络结构,将网络分为空间流与时序流,分别使用视频帧和密集光流输入网络,获得最终分类标签。但传统方式存在一定弊端,即以密集光流作为特征,该特征目前的提取算法计算量庞大,且极其耗时,无法满足现实任务需要。而目前绝大多数视频的存储和传输都采用了压缩格式,研究表明基于压缩域的方法能够极大地提高处理速度。此外,传统的双流卷积网络中两支流均是独立训练,而没有考虑时序流与空间流之间的联系。本文针对以上问题提出相应的改进算法,具体内容如下:（1）本文在时序流部分避免计算密集光流,而是采用压缩域中的特征——运动矢量（Motion Vectors,MVs）作为特征,通过该种方式大大减少特征提取的时间。此外目前一些流行的算法虽然也使用MVs作为特征,但仅仅使用原始MVs,导致准确率极低,本文针对该问题,提出一种基于压缩视频的运动场累积的运动增强策略以提升其性能,通过累积后的MVs,在时序上信息得到增强,即使用本文策略增强MVs的运动信息以及连续性。（2）基于不同时间分辨率的融合策略,即针对空间流和时序流采用不同的时间分辨率,以更为针对性学习每支流特征,同时在网络结构中将不同阶段的时序流特征融合到空间流特征中以得到更为有效的特征。此外,为进一步提高性能,本文对其部分3D卷积核进行修改以获得更大的时序空间感受野。（3）基于空间高层特征的运动增强模型,该策略主要思想是基于知识蒸馏的方式,将空间信息融合到时序流中,使其可以学习到时空特征,此外,在实验阶段针对该策略中的不同超参数进行实验,展示了在公开数据集上的结果,并进一步可视化特征图,分析了实验结果。实验表明,通过本文的策略可以大大提升MVs的准确率且在没有使用光流的情况下保证了识别精度。