视频由于内容上的生动、直观和多样性,逐渐成为娱乐和社交活动的重要组成部分,但也导致了视频规模的急剧增加。如何有效地对海量视频数据进行分类和检索成为了当前计算机视觉和信息检索领域的研究热点之一。由于视频内容和结构的复杂性,使得视频时空特征表示的有效性成为了一个难点,本文对视频分类和视频检索关键技术进行了较为深入的研究,主要工作如下:1.设计并实现了一种基于多级池化的伪3D卷积神经网络的视频表示算法。视频先通过利用多级池化的伪3D卷积神经网络提取视频时空特征;之后,将均匀池化后的特征送入由全连接层和Softmax组成的全连接模块,而经最大值池化后的特征则通过由PCA降维、聚合局部描述子向量(Vector of Aggregate Locally Descriptor,VLAD)和支持向量机(Support Vector Machine,SVM)构成的编码模块。2.提出了一种融合伪3D卷积神经网络与2D卷积神经网络的特征表示算法,通过运动矢量弥补了图像帧在视频表示上的不足,在多个数据集上的实验结果验证了算法的有效性;3.提出了一种有效的多流信息复用算法,提高了视频分类算法的鲁棒性。4.本文采用了伪3D卷积神经网络、特征降维和KD-Tree检索相结合的结构,有效的降低了检索算法的复杂度,提升了检索算法的效率。并且,实验结果也表明其性能优于目前主流的基于哈希编码的检索结构。5.搭建了基于Web的视频检索系统。