视频片段检索旨在依据给出的查询信息,在未经剪辑的长视频中检索出与查询内容相关的视频片段。本文的工作使用一段视频作为查询信息,给定查询视频,可以从参考视频中提取出与查询视频具有语义相关性的内容片段,并确定其起止时间。这项技术被称为基于视频查询的视频片段检索。在实际应用中,这项技术可以更智能的为人类提供视频选择,有效地减少用户浏览相关感兴趣视频的时间,还可以应用于视频监控和基于视频的人员重识别任务等其他应用场景。然而,基于视频查询的视频片段检索仍是一个新兴的研究领域,目前相关的研究还比较少。由于视频相较于其他数据（图像、文本等）包含更丰富的信息内容,因此如何有效判断两个视频间的语义相关性、并建立视频间语义相关性的度量模型,是此任务的最大难点。针对该任务的难点,本文提出了一种全新的基于视频查询的视频片段检索算法,该算法综合考虑了视频的时间和空间维度的信息。算法包含两个主要模块,分别从局部和全局角度度量输入视频之间的语义相关性。两个主要模块均引入注意力机制来辅助模型学习视频之间的语义相关性:一方面,鼓励语义相关性较高的视频片段同时抑制语义相关性较低的视频片段;另一方面,有效地去除仅存在某些孤立高匹配帧的视频片段,获得在连续时间范围内语义相似的匹配视频。本文的创新性主要在于:1)提出了一个全新的语义相关性学习框架和视频间语义相关性的度量模型,有效地解决了任意视频对之间的语义相关性度量问题。2)在视频间语义相关性的度量模型的基础上,提出了基于视频查询的视频片段检索算法。本文在THUMOS14、Activity Net两个大型公开数据集的视频上对所提出的算法进行了性能测试。实验结果表明,本文算法相较以往的基于视频查询的视频片段检索算法具有更好的性能表现,在两个大型数据集上均取得了最好的效果。