近年来，由于互联网及多媒体技术的飞速发展，使得人们所接受的大部分信息是图像或视频信息，但是由于图像的底层特征与高层语义之间存在着一条难以逾越的鸿沟，视频字幕提可以有效获的取图像的高层语义信息，从而提取图像中有用的信息。多数研究人员主要通过提取字符块的形状、纹理等底层特征来进行字幕提取，其精确度和效率还有待提高，机器学习在图像处理中的应用为字幕提取研究带来的生机。本文提出了一种基于多示例学习的视频字幕提取算法，多示例学习是一个比较新颖的机器学习框架，其改变了传统的分类器的分类模式，将数据集分成带有标记的包和不带标记的示例，若包中至少有一个示例为正，则把含有该示例的包标记为正，反之，若包中所有的示例均为反时，则该包标记为反，然后继续对正包中的示例重新建包，迭代计算，直到最大程度的将正反示例分开为止。本文通过改进后的多示例学习算法SVM-MI进行视频字幕提取相关的研究，由于支持向量机是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的推广能力。SVM-MI算法汲取支持向量机可以解决高维和非线性问题等优点，成功将多示例学习转化为单示例学习问题，并且比现有的多示例学习算法在时间复杂度和鲁棒性上都有了明显的提高，该算法在视频字幕提取应用中取得不错的效果。实验证明，字幕提取的准确度有了很大的提高。