随着媒体数字化技术和网络技术的发展,网络视频数据呈爆炸性增长,如何对海量视频资源进行有效的分析和管理已经成为当前研究的热点。镜头边界检测(shot boundary detection)和视频标注(video annotation)是视频内容分析的关键性步骤和技术难点,镜头边界检测和视频标注的准确与否直接影响到视频内容分析的结果。近年来,学者们对镜头边界检测做了深入细致的研究并提出了很多检测方法,这些方法在对渐变镜头边界的检测方面存在着各种不足:其中一些方法效果不够好,在检测过程中容易受到亮度突变和物体移动的干扰,另外一些方法算法复杂度过高导致其无法被广泛应用到实际问题中去。本文提出了一种基于镜头边界候选段选择和卷积神经网络的镜头边界检测算法,可以有效的检测出渐变镜头,并且具有较好的实时性。本文在镜头边界检测方面的主要研究成果如下:优化了镜头边界候选段选择,本文从特征选取,局部阈值法和二分处理这三个步骤上对原方法进行了优化,以确保包含镜头边界的候选段尽可能多地被正确检测出来。将最新的深度学习技术应用到镜头边界检测技术中,使用卷积神经网络来提取静态帧的高层特征,并将之用在镜头边界的判断上,实验证明这种方法不仅可以有效的检测出渐变镜头边界而且耗时较少,弥补了已有的镜头边界检测方法的不足。视频标注被认为可以很好地弥补视频底层特征和用户检索视频所使用的高层语义信息之间的“语义鸿沟”。它能够根据视频的内容给视频标注上关键字,是视频检索系统必不可少的一部分。传统的视频标注方法依赖于人工设计的特征提取方法(HOG,SIFT等),特征的数量和质量成为传统标注方法性能的瓶颈。受到深度学习可以自动提取出多层特征的启发,我们将深度学习应用到视频标注中来提升标注的准确性。本文在视频标注方面的主要贡献在于:提出了一种基于卷积神经网络的视频标注算法框架。研究了如何将深层网络应用到实际问题中,主要研究了4种方法:1.通过语义相似度利用已有网络来给静态帧做分类;2.训练一个新的网络;3.对已有网络做fine tuning;4.只对已有网络的全连接层做fine tuning。实验证明,本文提出的视频标注方法在性能上相比于传统的视频标注方法有较大的提升。