随着内窥镜技术的迅速发展,更多的外科手术选择以内窥镜方式来完成,在手术进行的同时,对手术视频的录制也会非常便利。未经修剪的内窥镜手术视频存在着大量的模糊、抖动、血迹斑斑或者是清洗镜头等与手术操作无关的视频片段。在术后,当医生需要用手术视频进行病历记录、术前宣传、辅助医学教育、学术交流时,这些与手术操作无关的视频内容会使得应用过程非常繁琐,容易造成医生获取手术信息不连贯,同时也会影响医生查找关键手术步骤时的效率。此外,将手术视频以手术的不同阶段进行标注、剪辑,对于监控手术过程、细分手术流程、培养低年资医生也有着非常重要的意义。在术后,让医生本人对手术视频进行人工剪辑无疑是比较困难的。因此,对内窥镜手术视频进行智能化剪辑的需求变得非常迫切。内窥镜手术视频中,连续性与间断性并存、类内差异大且类间差异小等特点,将使得对手术视频智能化剪辑的研究面临着很多挑战。针对以上存在的问题,本文主要研究工作如下:（1）针对内窥镜手术视频中的无效手术视频片段,提出一种多粒度层次化语义分析网络MHN（Multi-granular Hierarchical Network）。在粗粒度模块中,以Res Net-50为基准网络,加入注意力机制使得网络可以自动化地选择内窥镜视频的空间信息特征,再通过LSTM网络提取出视频的时间流特征,完成对手术视频时空特征的联合建模。在细粒度模块中,提出一种自修复模块,在粗粒度结果的基础上,迭代地校正有效手术视频的边界,使得剪辑更加精准。最后,实验结果表明,MHN网络在准确率与效率方面都具有良好的表现,在鼻部内窥镜手术视频数据集上,准确率可以达到89%,相比于其他流行网络,提高了8%。（2）针对MHN网络对模糊视频片段分类的准确率相对较低的问题,提出了一种基于困难帧检测的智能化剪辑方法HFD-ConvLSTM（Hard Frame Detection method using Convolutional LSTM network）。核心思想是将一个三分类问题（体外、体内清晰、体内模糊）,转化为两阶段的两个二分类问题（体外,体内/体内清晰、体内模糊）。首先,通过粗粒度级的分类器去除体外的手术视频片段。其次,挖掘困难样本,以困难样本为主体重新构建相对平衡的模糊手术视频与清晰手术视频的数据集。困难样本由两种方式构建,一种是粗粒度分类器分类错误的样本,另一种是通过“再模糊理论的无参考图像评估方法（NRIQAVR）”得到的较高模糊分数的模糊帧样本。最后,对重新构建的数据集以时空结合且有注意力机制的ConvLSTM网络进行训练。实验结果表明,模型可以检测到88.3%的模糊类别帧,最终的分类准确率可以达到94.4%,相比于其他流行网络,提高了4%。（3）针对手术阶段识别问题,以腹腔镜手术视频Cholec80数据集为研究基础,以Vision Transformer（Vi T）网络为方法,将单张图像按规则分割裁剪序列化,建立图像内部的时序关系。核心思想是通过堆叠多个相同的多头自注意力模块构建Encoder网络,利用残差结构防止训练退化问题。实验结果表明,对32个测试视频的平均分类准确率可以达到80.6%,标准差为8%,在准确率提高的同时,保证了模型的稳定性。与仅具有CNN结构的网络相比,平均分类准确率提高了4.9%,与CNN和RNN结合的网络对比,平均分类准确率提高了1.6%。