当今社会,随着人工智能等信息产业大规模地飞速发展,人们在生活中无时无刻不暴露在大数据之中。在当今人们对公共安全问题愈发重视的社会背景之下,长期以来所依赖的视频监控系统却造成了越来越频繁的隐私泄露问题,这不仅会对人们的生活产生了一定的困扰,还会给社会带来巨大的损失。另一方面,视频监控技术的迅速发展也会产生大量的视频图像数据,这些数据的存储以及处理将会带来巨大的资源消耗,在一定程度上也会影响社会的发展。因此在保证信息基本不丢失的情况下做到降低数据存储的成本是一个很有意义的研究方向。传统的视频隐私保护方法是在采样、压缩、传播等过程中实现对于隐私信息的保护,从而避免视频数据落入他人手上所带来的隐私泄露问题。但以上方法并未考虑到视频后续智能应用开展的必备条件,也未考虑到视频数据在经过这些方法处理之后,在后续处理阶段需要耗费更多的时间和计算量的问题。因此本文采用一种新的视频编码的技术,不需要像传统的方式一样进行加密、解密、重构等繁琐的方式,而是在对视频数据进行相关智能应用的过程中实现对于视觉层面的隐私保护问题。为解决视频监控数据中的隐私信息泄露问题,同时兼顾分布广泛的智能监控设备产生的海量视频数据所带来的高存储成本与检索过程中的高人力消耗,本文创新性研究部分主要有以下几方面:（1）利用压缩感知理论,对观测矩阵结合混沌伪随机技术,提出一种新的改进型观测矩阵。利用上述技术对视频进行多层视觉隐私保护编码处理,使其在视觉层面上做到隐私保护,同时尽可能地减少内部特征信息的丢失,为后续关键帧提取这一智能应用的工作正常开展做相应的保证。（2）为了客观有效地度量视频隐私保护质量,避免外界设备以及主观因素等不定因素对视频隐私保护质量度量工作的影响,本文通过提出一种基于图论的视觉显著性统一模式的LBP特征算子以及基于非对称改进型的a滤波器统计均值的对比度特征提取算子,设计一种改进型双特征融合的视频隐私保护质量评价算法,该算法的评价结果能更有效地描述视频隐私保护质量。（3）针对视频数据的存储以及过度隐私保护所造成的问题,本文提出基于一种亲和传播聚类和稀疏子空间聚类的双层无监督聚类关键帧提取算法,用以实现有效简洁地反映视频内容。与此同时,本文还提出了评价关键帧提取算法性能指标的CF值。在经过隐私保护编码处理后的视频与原始视频在信息表达层面有所缺失的情况下,过度的隐私保护处理可能会导致关键帧提取算法性能面临下降的风险,因此本文建立一个视频隐私保护质量分数与关键帧提取算法性能的关联模型,来平衡二者之间的关系。利用视频隐私保护分数对关键帧提取算法性能进行指导从而避免过度隐私保护问题的产生。