互联网的快速发展与全球视频网民的快速增加,使视频平台快速发展,也为视频经济发展注入了巨大的动力。广告收入是视频经济利益的来源,能带来巨大的商业效益。但无节制的投放广告会严重影响用户的观看体验,这既损害用户利益也对视频平台发展不利。有研究表明,当广告内容与视频内容之间存在联系时,能够提高用户对广告的接受度。本文的目标是构建一个基于视频语义的广告插入系统。视频语义丰富多样,本文从目标语义和行为语义两方面信息为依据进行广告插入。首先,以视频中含有的目标语义为切入点作为广告筛选的依据。采用单阶段目标检测算法提取视频目标语义。算法网络分为特征提取、特征融合和识别检测三部分。特征提取利用卷积神经网络提取图像特征。特征融合将特征提取网络中不同尺度的特征图进行融合,最大程度利用不同网络深度提取到的特征信息之间的差异。识别检测使用卷积和全连接对目标的预测框进行边界回归同时进行物品分类,用一个网络同时获得目标的类别信息和位置信息。其次,从行为语义理解视频的主要内容,进行相关广告插入。本文研究了基于多流的行为识别算法。结合RGB、光流和人体骨架三种数据的特点提高行为动作的识别率。三种数据流信息相互补充,通过将三种数据流融合判断的方式提高网络的识别准确率。光流和人体骨架的推理本身需要大量算力,采用知识蒸馏的方式迁移光流和人体骨架信息到RGB图像中,减少网络计算量。最后,本文将两部分进行结合设计基于视频的目标语义和行为语义的广告插入系统。本文设计了一个基于视频内容的广告插入系统,加强视频内容与广告内容的联系,并以类似弹窗的形式展现广告,在给用户最小观看厌恶感的同时引起用户的兴趣,实现广告插入的优化。