随着互联网的高速发展,以及多媒体设备的普及,文字与图片作为重要的信息载体已经不能满足当前社会的需求,而视频逐渐成为信息传递的重要成员。在不同场景中有效地分析视频中的内容具有极大的应用价值,由于视频中存在着大量的序列图像,若仅将这些图像分别独立地分析将丢失原本存在于序列图像之间的关联信息,使得难以达到分析目的。为此,本文以序列图像作为基础、三维物体分类任务和动作行为识别任务为应用场景,分别提出有效地分类方法。本文的主要研究工作和成果包括:1.对于三维物体分类问题,本文提出了一个基于多视角序列图像的三维卷积神经网络(Multi-View Based 3D Convolutional Neural Network,MV-C3D),该网络把多视角序列图像作为一个联合变量进行计算处理,以提取它们之间的关联特征。同时,通过实验证明该网络在仅有部分视角图像的情况下,对其进行分类也能取得较好的分类效果。更进一步地,该方法在三维物体分类数据集上的性能超过了本文对比的大多数方法。此外,该方法还在模拟真实场景图像数据集Multi-view Images of Rotated Objects(MIRO)上表现优秀,达到了93.3%的分类准确率,证明了该方法的实际应用价值。2.对于动作识别问题,本文提出了一个多时长特征融合层(Multiple Duration Integration Layer,MDIL),该层由三个并联的卷积操作所组成,每个卷积核大小设置为不同,旨在提取不同时长信息的特征,使得该方法对于众多的动作数据有较强的鲁棒性。本文还在DenseNet的基础上提出DenseNet-3D模型用来实现动作识别,同时将多时长特征融合层嵌入到DenseNet-3D得到MDI-3D。实验结果表明,MDI-3D模型有着良好的动作识别性能。此外,本文还提出了一种三维卷积神经网络的预训练策略,经过该策略预训练的模型能够有效地减少后期在目标数据集上的训练时间,而且最终模型的分类性能要优于未采用该策略的模型。