在4G时代,视频逐渐取代文本成为互联网流量中的主要数据类型。其中,短视频更是在近几年异军突起,无论是用户数量还是市场规模都出现了爆发式增长。随着行业的快速发展,如何及时发现并处理违规视频、如何进行更为精准的个性化推荐等问题逐渐成为短视频应用平台的关注点,获取短视频的内容标签也就成了首先需要考虑的问题。由于大部分用户上传的短视频都是缺乏标签的,因此有必要设计一种分类算法来预测短视频的标签。本文对此进行了相关的研究,主要工作如下:（1）提出了改进的关键帧提取方法。关键帧是视频帧中具有代表性的图像帧,能在很大程度上反映视频的主要内容,且关键帧彼此之间的相似性较低。将关键帧作为模型的输入数据可以在一定程度上避免冗余帧和无关帧对模型训练的干扰,进而提高模型性能。本文在传统K-means聚类的基础上,使用卷积特征来代替像素点计算视频帧之间的相似度,得到初步的聚类结果后,再对其进行二次优化从而得到了更具代表性的关键帧。（2）提出了基于双流异构网络的短视频分类模型。传统的双流模型在空间流中只是对单张视频帧进行了分类,而单张视频帧不足以表达整个视频的内容;在时间流中,原模型对堆叠的光流进行卷积运算,虽然能在一定程度上提取时序信息,但无法对长距离时序信息进行有效的建模。本文在此基础之上,在空间流引入Conv LSTM,在时间流中使用P3D代替原有的卷积网络,从而可以更好地提取空时信息,提高模型的分类性能。（3）提出了基于双流同构网络的短视频分类模型。原双流模型使用结果融合的方式对空间信息和时间信息进行整合,融合效果较差。为提取更为有效的空时融合特征,本文首先通过Res Net50以及多尺度特征融合来得到表征能力更好的空间特征和时间特征,然后将空间特征和时间特征在帧级别上进行融合,接着将融合后的特征按照顺序输入到Conv LSTM中得到视频级别的空时融合特征,通过softmx层后得到最终的分类结果。