在大数据时代,越来越多的视频数据等待着被处理、分析和挖掘。然而,很多视频在产生时并没有进行有效的标注甚至没有标注,这给人们搜索并处理他们感兴趣的视频部分带来了极大的挑战,因而开发一套高效的视频结构化分析技术是很有必要的。其中,视频镜头检测技术和视频对象分割技术是实现视频结构化分析的基础和关键步骤。针对视频镜头检测本文做了如下贡献:提出了一个高效的视频镜头检测框架,指出高效的模型中应必备的三个要素(预处理,特征提取和检测算法),并给出了相应的设计建议。根据提出的框架本文进一步实现了基于深度学习的视频镜头检测算法。算法思路如下:首先应用框架内详细介绍的基于二分比较的方法对给定视频进行预处理,滤除大量的非镜头帧并得到可能包含镜头边界的候选段。然后使用AlexNet对每段提取深度特征,通过分析、筛选得到具有强表达能力的fc-6特征对候选段内的帧进行高效表征。最后分别针对突变边界、渐变边界候选段应用相应的检测算法:对于突变边界检测,本文综合考虑了段内平均相似度和连续帧间相似度的关系并定义了相似度“显著”改变的标准,进而能够精确检测得到突变边界的位置;对于渐变边界检测,本文通过对渐变边界的分析得到了其通用的“倒三角形模式”,并基于该模式设计了对应的匹配准则,保证了渐变边界检测过程的高效性和稳定性。实验证明基于深度学习的视频镜头检测算法在突变边界和渐变边界检测上都要显著优于已有算法。针对视频对象分割本文做了如下贡献:提出了基于双流深度编码-解码网络的视频对象分割算法。本文认为在视频对象分割任务中,帧内信息分割和帧间信息分割都是不可或缺的,因而建立了两路网络分别用于分割单帧图像和帧间运动信息。两路网络有着完全相同的编码-解码结构,唯一的不同是它们的输入,前者是视频序列中的帧,后者则是该帧对应的光流场RGB图。编码结构的主要作用是高效地处理输入图像得到一个“粗”分割结果——分辨率比较低、物体位置明确但边界及细节信息不清晰。解码结构则是利用编码过程中学习得到的结构化特征对得到的“粗”分割结果进行逐步细化,递归地改进分割结果的边缘和细节信息,最终得到一个分辨率等同于输入图像的“细”分割结果。最终两路网络得到的结果经过融合提升得到更好的分割结果。实验证明基于双流深度编码-解码网络的视频对象分割算法在性能上相比于已有算法更有竞争力,是一种高效的分割算法。