全书首先奠定坚实的理论基础，系统梳理音视频信号处理、特征学习与多模态融合的经典方法与演进脉络。进而，围绕前述三大挑战展开核心论述：从多任务学习、动态注意力融合到弱监督学习等多个前沿领域进行深入探讨，全书共分为六个部分，系统阐述了音视频智能事件检测框架及其应用，重点探讨了基于多任务学习策略的音频事件检测、基于模内模间动态注意力融合的音视频事件检测、基于单模多模协同学习的弱监督音视频事件检测，为互联网信息内容安全治理提供了从理论到实践的系统解决方案。