随着数码摄录设备的普及和多媒体技术的发展,互联网上视频数据量迅速增长。如何有效地对互联网上的视频数据进行存储、组织和管理,已成为视频领域最主要的课题。目前,主要的视频搜索引擎都采用基于文本的策略提供视频搜索服务,如Google Video Search、Yahoo Video Search、Bing Video Search和百度视频搜索。其算法的基本原理,是获取互联网上视频周围的文本信息,然后使用文本搜索的框架处理这些信息,进而实现视频的搜索和排序。然而,基于文本的视频搜索策略存在以下的缺陷:大量视频数据的内容和其周围的文本信息不一致;视频数据包含的复杂视听觉信息量不能用文字完全表达。为了解决基于文本的视频搜索的缺陷,学术界提出对搜索结果进行优化。视频搜索结果的优化,是指在文本搜索的结果的基础上,通过挖掘视频数据包含的视觉内容信息,对原始搜索结果重新排序,从而得到更优的搜索结果,其根本目的是提高搜索结果的质量以及搜索过程中的用户体验。本文从三个层次研究了基于内容的视频搜索结果优化,即相关性重排序、视频质量评估和视频拷贝检测。这三个层次组成了对视频搜索结果进行优化的一个相对完整的框架:(1)为了对原始结果的整体相关性进行优化,本文研究了基于自适应粒子群算法的视频搜索重排序,并深入分析了重排序问题的本质。与传统的重排序方法不同,本文将重排序定义成一个群体进化的过程,并充分利用进化中每一个个体学习到的知识来指导群体进化的方向。(2)为了对原始搜索结果的质量进行控制,本文研究了基于内容的视频质量评估,并分析了影响视频整体视觉质量的几个关键因素。和传统的基于信号降损理论视频质量评估系统不同,本文给出的评估系统不需要参考源视频。(3)为了去除视频搜索结果里的大量重复视频,减少搜索结果中的冗余视频,本文研究了基于时空组合特征的视频拷贝检测。本文分析了互联网视频拷贝的主要类型,并指出要确保检测算法的高效性才能将算法应用于实际中。算法采用粗略匹配和精确匹配相结合的2级匹配框架,并在每一级中都加入了早停止策略,在保证检测精度的同时,大大提高了检测速度。