Visuelle Merkmale sind für das Verständnis menschlicher Handlungen in Videos von entscheidender Bedeutung. In diesem Artikel stellen wir eine neue Video-Repräsentation vor, die als trajectory-pooled deep-convolutional descriptor (TDD) bezeichnet wird und sowohl die Vorteile von handgezeichneten Merkmalen als auch von tiefgelernten Merkmalen vereint. Konkret nutzen wir tiefe Architekturen, um diskriminative Faltungsmerkmalskarten zu lernen, und führen eine trajectorienbeschränkte Pooling-Operation durch, um diese Faltungsmerkmale zu effektiven Deskriptoren zu aggregieren. Um die Robustheit der TDDs zu verbessern, entwickeln wir zwei Normalisierungsverfahren zur Transformation der Faltungsmerkmalskarten, nämlich zeit- und raumbezogene Normalisierung (spatiotemporal normalization) sowie Kanalnormalisierung (channel normalization). Die Vorteile unserer Merkmale ergeben sich aus (i) der automatischen Lernbarkeit der TDDs und ihrer hohen Diskriminierungskapazität im Vergleich zu handgezeichneten Merkmalen; (ii) der Berücksichtigung der inhärenten Eigenschaften der zeitlichen Dimension sowie der Einführung von Strategien zur trajectorienbeschränkten Abtastung und Aggregation tiefgelernter Merkmale. Wir führen Experimente auf zwei anspruchsvollen Datensätzen durch: HMDB51 und UCF101. Die experimentellen Ergebnisse zeigen, dass TDDs sowohl vorherige handgezeichnete als auch tiefgelernte Merkmale übertrifft. Unser Ansatz erzielt zudem eine überlegene Leistung im Vergleich zum Stand der Technik auf diesen Datensätzen (HMDB51: 65,9 %, UCF101: 91,5 %).