信息技术、视频采集设备和视频编辑软件的不断发展,使得网络视频数量快速的增长,与此同时大量的拷贝视频也伴随着产生。大量拷贝视频的产生给视频内容监管、视频版权保护、视频搜索引擎结果排序等多方面带来技术性的难题,拷贝视频检测技术就是在此背景下产生的。本文在深入了解拷贝视频检测国内外研究现状的基础上,分析拷贝视频检测技术中的不足,并在以下几个方面展开深入研究,取得一定的进展。首先,针对关键帧利用局部特征进行一对一匹配过程中需要反复读取参考库视频关键帧并提取特征所带来的时间复杂度高的弊端,提出了采用局部特征进行一对多图像匹配的算法,该算法将参考库所有关键帧提取出的特征保存在一个matcher数据结构中,对于待检测关键帧提取特征后采用近似最近邻搜索算法进行关键帧的匹配。实验证明,采用本文提出的关键帧一对多匹配算法相对于一对一匹配在查全查准率基本不变的前提下速度提升了10倍以上。其次,针对只基于局部特征进行关键帧相似性匹配时间消耗过大的问题,将AlexNet卷积神经网络模型应用于拷贝视频关键帧特征提取,并基于此特征进行相似性匹配。实验证明采用AlexNet模型的关键帧相似性匹配Top-5准确率达到97.8%,远远超过采用经典的SIFT和SURF与BOF相结合的方式,速度相对单纯采用局部特征进行相似性匹配也有巨大的提升。同时针对部分关键帧匹配应用只要求返回Top-1的特殊应用背景,本文提出融合ORB特征与AlexNet特征的关键帧相似性匹配算法,利用ORB特征对基于AlexNet模型返回的Top-5结果进行重新排序,实验证明使用该算法可以提升关键帧匹配Top-1的准确率。最后,针对传统拷贝视频检测算法无法解决待检测视频是由拷贝片段和非拷贝片段拼接的情况,本文基于关键帧特征相似性匹配的结果,提出了一种基于图的视频子序列匹配算法。将该算法在由CC_WEB_VIDEO和2014年第一届全国特定音视频检索识别挑战赛“视频拷贝检测”项目视频数据集组成的参考库视频集上进行验证,检测的Score值可以达到87.26%,3000段1分钟的测试视频完成检测所需总时间为3.17小时,平均每段视频仅需3.8s。