作为互联网时代的一种重要信息载体,视频数据在人们生活中发挥着越来越大的作用。近些年,互联网上出现了大量的近重复视频,冗余的视频给视频的管理带来了不便。如何快速精确地检测出这些近重复视频成为研究的热点。基于内容的近重复视频检索,其过程可以分为三个部分:关键帧提取、特征提取和特征匹配。在特征提取部分,目前的方法多是使用图像的视觉特征或是局部特征,特征维度一般较高,特征表征能力较弱,导致检索性能较弱。近些年,深度学习的研究获得了重大突破,很多传统方法能解决的问题,利用深度学习都取得了更好的效果。在图像处理领域,深度神经网络可以自动提取图像中更抽象的隐藏的特征,然后利用这些特征完成图像的识别或分类。但是,基于深度神经网络的方法在视频检索中并没有得到广泛的应用。基于此,本文做了以下研究工作:1.提出了一种基于镜头的自适应关键帧提取算法。该方法先把图像切分成许多块并求图像的颜色直方图,通过加权求和方式计算帧间差,然后计算当前帧和帧集合中帧间差平均值的差值,将该差值与阈值作比较来判断当前帧是否是镜头边界帧。实验结果表明该方法能比较好地提取关键帧。2.提出了一种基于深度自编码器的近重复视频检索方法。该方法利用深度自编码器神经网络从关键帧中提取特征,为了比较该方法与基于其它图像特征的方法的效果,在标准近重复视频检索数据集上进行了实验。实验结果表明,本文提出的近重复视频检索方法的效果要优于基于图像颜色特征和LBP特征的方法。