视频镜头边界检测是视频处理领域的经典视频分割问题,在视频检索、视频摘要、视频分类等领域应用广泛。它旨在检测出构成视频的相邻镜头之间的突变边界和渐变边界,从而实现基于内容的视频分割。目前镜头边界检测算法大体可分为基于多种传统特征的算法和基于学习的算法。因为基于学习的算法,如基于深度学习的算法,虽然一般都有较好的检测性能和检测速度,但是往往需要制作大量用于训练模型的数据集,且需要花费较长时间来训练模型,此外用于训练模型的数据集的质量对模型的影响较大,而基于多种传统特征的镜头边界检测算法对数据集的需求量不大,所以本文主要关注和研究基于多种传统特征的视频镜头边界检测算法。目前广大学者已提出了众多基于多种传统视觉特征的镜头边界检测算法,但这类算法存在一定的局限性:有的只能检测突变;有的虽然既能检测突变又能检测渐变,但其仅对特定类型的视频有效;有的检测过程复杂且比较耗时。针对这类算法存在的不足,本文提出了一种基于视觉特征分析的视频镜头边界检测算法,该算法由一个突变检测模型和一个渐变检测模型构成,既能检测突变又能检测渐变,且在保证检测性能的情况下提高了检测速度。本文的主要内容和创新工作如下:（1）设计了多种图像视觉特征的提取和计算方法,结合这几种图像视觉特征和一种自顶向下的缩放规则,提出了一种基于图像视觉特征分析的突变检测模型。整个模型的检测过程分为三个阶段:首先通过Y-RGB直方图相似度筛选动态片段;然后基于SURF匹配分数从动态片段中选择候选片段;最后通过重叠不均匀分块的SURF匹配分数和全局像素平均差确定候选突变的位置并验证其真伪。（2）设计了一种反映连续视频帧运动信息的运动区域提取方法及其特征相似度计算方法。运动区域特征具体包括运动区域的灰度直方图相似度、主颜色相似度和SIFT匹配分数。此外,还设计了一种视频帧的块相似度计算方法。（3）提出了一种基于视频视觉特征分析的渐变检测模型,该模型的输入是突变检测模型输出的候选渐变片段,其检测过程也分为三步:首先将相距很近的候选渐变片段合并为一个;然后基于SIFT匹配分数移除错检的候选渐变片段;最后采用块相似度缩放候选渐变片段的范围,通过运动区域特征验证候选渐变的真伪。本文突变检测模型和渐变检测模型在TRECVid 2001和TRECVid 2007公开视频数据集上进行了实验验证。实验结果表明,本文算法平均处理一帧的时间只有三十毫秒左右,检测速度快;且两个模型的F1分数都优于相关对比算法。