随着计算机技术以及多媒体技术的发展,网络视频日益增多,如何有效地发现、检索和处理这些视频数据成为学术界及工业界中亟待研究和解决的问题。传统的视频检索需要人工为视频添加文本关键字索引,根据文本关键字索引检索出相关视频。然而这种方式存在个体认知差异、描述能力有限以及效率低下的问题,为了提高视频检索的效率以及客观性,人们开始研究基于内容的视频检索技术。基于内容的视频检索是指在视频内容分析的基础上,对视频的内容进行特征提取和描述,然后根据视频描述之间的相似性衡量结果来进行视频检索的一种视频检索方法。而两段视频之间的相似性衡量是一个比较困难的问题,因此,本论文对目前已有的视频相似性分析方法进行了研究,发现目前的视频相似性分析领域中主要存在的问题有:(1)视频是一种内容较为复杂的异构数据,现有的视频表示模型大多使用矢量特征矩阵来描述视频,忽略了视频的结构化时空信息,造成了底层特征与高层语义间的理解偏差。(2)视频相似性分析依赖于视频内容特征,目前大多研究通过增加特征的维度来提高视频描述的准确性,却带来了“维数灾难”问题。针对上述问题,本论文提出了一种基于目标属性关系图的视频相似性分析方法。首先将视频划分为等间隔的若干帧,使用Faster R-CNN目标检测模型对每一帧图像中的目标进行准确的检测,基于检测结果对视频内各目标进行动态跟踪,得到目标有效运动轨迹,进行分段多项式曲线拟合及傅里叶频谱分析以形成特征描述符;然后使用这些特征描述符对视频语义内容构建了一种紧凑、结构化的目标属性关系图表示;最后使用分解图匹配的方法进行两段视频间的相似性衡量,得到视频相似度。为了验证本方法的可行性与有效性,本论文基于Caffe深度学习框架进行了Faster R-CNN目标检测模型的训练,并使用Python语言编写了多目标跟踪算法,成功地获取了目标有效运动轨迹;最后在MATLAB上进行了本方法与另两种常用方法的视频相似性分析对比实验,实验结果表明本文提出的基于目标属性关系图的视频相似性分析方法具有较好的效果。