近年来,移动互联网飞速发展,改变了人们产生、观看和检索视频内容的方式。移动视频检索技术成为了视频检索领域中一个前沿的研究课题。现有的移动视频检索工作大多沿袭了传统桌面视频检索技术,但移动视频检索相比起传统桌面视频检索技术,面临着一些独特挑战:1)查询视频受拍摄环境影响产生严重图像形变和音频噪声;2)移动设备计算性能有限;3)移动网络带宽限制。本文针对以上问题,提出了一种基于多层次特征融合的移动视频检索系统。系统中采用多模态的哈希框架综合查询视频的音视频信息,降低图像形变和音频噪声对检索准确率的影响。同时用哈希方法降低音视频特征的数据量,提高视频的检索效率。首先,使用高效卷积神经网络MobileNet学习提取全局语义视觉特征,和用手工设计的算法提取局部外观视觉特征和音频特征,并将特征量化为紧凑的哈希码。然后,在线检索阶段中,服务端接收到客户端发送的上述多种哈希码,并在与构建的多层检索索引中进行视频检索。本文的方法在基于真实场景的数据集上进行了实验验证,获得了92.2%的检索准确率和平均733.2毫秒的查询时间。