现如今，短视频事件检测展现出广阔的应用前景。现有的事件检测研究普遍缺乏对关键帧重要性程度的考虑，且多是针对事件的显性语义进行学习，忽略了潜在语义及其相关性的学习在短视频事件检测中的作用。针对上述问题，提出了一种基于深度动态语义关联的短视频事件检测方法。首先，设计了帧重要性评估模块来获得具有区分度的帧重要性分数，其内嵌的变分自编码器和生成对抗网络联合结构可以最大程度地强化帧重要性信息；其次，设计了帧间自注意力增强模块，进一步协同帧间的重要性分数与其特征内在关联性的学习；最后，设计了动态图卷积下的隐藏属性关联学习模块来学习复杂事件的隐藏属性及事件之间的关联性，最终获得具有潜在语义信息感知的短视频检测系统并将其用于最终的短视频事件检测。在公开数据集和新构建数据集上进行了实验，实验结果表明了所提方法的有效性。

卷积神经网络在单标签图像分类中表现出了良好的性能，但是，如何将其更好地应用到多标签图像分类仍然是一项重要的挑战。本文提出一种基于卷积神经网络并融合注意力机制和语义关联性的多标签图像分类方法。首先，利用卷积神经网络来提取特征；其次，利用注意力机制将数据集中的每个标签类别和输出特征图中的每个通道进行对应；最后，利用监督学习的方式学习通道之间的关联性，也就是学习标签之间的关联性。实验结果表明，本文方法可以有效地学习标签之间语义关联性，并提升多标签图像分类效果。