随着社交媒体逐渐成为社会主流,网络建设不断完善,以及视频处理设备日益更新,视频数据量达到亿万级别,并以爆炸式速率持续增长。人工处理速度和精度已然达不到要求,对于庞大的视频数据量,需要利用计算机视觉算法高效、精确的处理。时序动作定位可以应用于视频监控、智能安防、自动提取体育视频、智能字幕讲解等场景,应用领域十分广泛。因此,时序动作定位已成为一项重要的任务。时序动作定位的任务要求是检测出未裁剪视频的动作开始时间、动作结束时间及动作的类别。尽管现在基于全监督学习的时序动作定位已经取得了较好的结果,但是需要视频帧级别的标签,极大增加了劳动力和时间成本。相对的,基于弱监督学习的时序动作定位只需要视频级别的标签就可以训练出较好的模型,并且,视频级别的标签不需要大量的人工标注,更容易获取,因此同时受到了学术界及工业界的重视。本文针对弱监督时序动作定位的精确度不高和缺乏视频帧级标签监督的问题,提出了基于动态阈值与对注意力和时序类动作图同时进行伪监督的时序动作定位方法。在基于动态阈值的弱监督时序动作定位方法中,动态阈值可以动态控制注意力机制中趋于二值化片段的数量,针对不同的视频选取适应该视频的片段数。实验结果证明了动态阈值方法优于最新方法。对注意力值和时序类动作图同时进行伪监督的方法使没有受标签监督的注意力值和时序类动作图受到了伪真值的监督,利用伪监督对模型进行多轮迭代优化,得到最佳模型。实验结果超过大部分最新方法,表明了对注意力和时序类动作图同时进行伪监督可以有效提升模型质量。