煤矿安全生产与煤矿重大灾害防治一直是国家强调的重要问题,智能视频监控技术是预防和缓解该问题的有效途径之一。煤矿井下视频监控设备不断增加,导致大量的近重复视频数据产生,视频数据质量问题日益突出,视频数据的维护和管理工作也越来越具有挑战性。本文以煤矿井下视频数据集为研究对象,针对井下近重复视频数据的质量问题进行基础科学研究。具体内容包括:（1）已有近重复视频检索方法尽管可以有效识别近重复视频,但无法在保证数据完整性的前提下,自动清洗近重复视频数据,从而改善视频数据质量。为此,本文提出一种融合VGG-16深度网络与FD-Means聚类的近重复视频清洗方法。该方法采用VGG-16深度网络提取视频的深度空间特征,针对近重复视频产生的多源性,K-means算法模型较难完全适用于近重复视频清洗,本文在K-Means基础之上改进出一种FD-Means算法模型。在更新聚类簇时,根据数据点与聚类中心之间的距离,将距离大于预设距离阈值的离散点构造为新的簇;为了消除距离过近的簇,将各聚类中心之间距离小于距离阈值的簇合并为一个簇。最后清除簇中心点之外的近重复视频数据。实验结果表明,该方法能够有效解决近重复视频数据清洗问题,改善视频的数据质量,减少存储资源浪费。（2）由于煤矿井下视频质量较难保证,仅利用VGG深度网络模型抽取的视频空间特征,较难准确表征视频的高层语义特征。为此本文提出多头注意力的残差网络,通过结合时空特征及注意力模型,提高视频特征的表示能力。该方法首先选用嵌入CBAM的Resnet34作为基础网络,提高图像显著区域的特征;其次采用具有时间注意力的长短期记忆网络,捕获视频帧序列的时序特征;最后串联两个网络,构造多头注意力的残差网络。实验结果表明,本章提出的多头注意力残差网络,与第三章的预训练VGG16提取特征的方式相比,在CCWEBVIDEO和煤矿井下数据集上,F1-score分别提升了 8.7%和15.7%,提升了近重复视频清洗的准确性。