随着自媒体时代的到来,海量视频被用户上传到互联网上。如此海量的视频数据使得信息传递的效率得到了成倍的提升。然而,在视频数据量爆发式增长的同时也存在着大量部分拷贝视频所产生的虚假信息,从而对原视频作者的创作构成侵权行为。这种现象对原作者和普通用户都产生了不小的危害。因此,开发具有高精度、高鲁棒性的版权检测方法成为视频大数据时代的迫切需求。目前大多数视频版权检测算法致力于提高单帧特征的表达能力,这些方法在视频创作模式日益丰富的今天已经逐渐达到了准确率的上限。本文提出了一种用于部分拷贝视频检测的图对齐神经网络（GANN）。该方法将视频构建成图结构,通过图神经网络的自注意力和跨图注意力机制学习融合视频的全局信息,进而通过图匹配方法来定位拷贝视频所在的时间段。本文提出的视频版权检测框架主要分为特征提取、图神经网络对齐、匹配矩阵优化三个部分。在对视频进行视频段切分后,采用在大型图像分类数据集上预训练的Inception V4模型提取视频段单帧图像的特征,并将网络模型的特定特征层通过全局平均池化后的特征向量作为单个视频帧的描述。在图神经网络对齐部分,首先将单帧描述向量构建为图结点,并将图结点以全连接方式构成图结构,再通过图自注意力机制聚合同视频段视频帧的信息,通过跨图注意力机制传递不同视频帧信息得到相同内容视频段的相似性表达。整个图神经网络采用监督学习方式训练图自注意力模块,学习视频段全局特征表达,通过跨图信息传递学习盗版视频与原版视频的相似性内容表达。在匹配矩阵优化的部分,本论文把此问题转化为优化传输问题,并通过Sinkhorn算法多次迭代求解筛选出最优匹配视频段。经过上述过程之后视频帧描述特征（图结点）就从只包含单帧特征的向量变为了融合同视频段视频整体特征及不同视频对相应帧相似性特征的全局特征表达,从而使得基于视频内容的盗版视频检测具有更强的特征匹配能力。本文选取视频盗版检测VCDB数据集来验证算法的有效性。不同于传统人工定义的单一类型盗版视频数据集,该数据集全部来自于互联网真实视频数据。本文将实验分为等长视频段匹配和不等长两种情况分别实现。通过较充分的模型训练学习与实验验证,本文提出的图对齐神经网络视频版权检测方法在此数据集上达到了预期的效果,并为此领域的研究开辟了新的方向。