视频场景分割是基于内容的视频检索的重要环节,它将镜头作为研究对象,根据镜头内容的相关性把相似的镜头划分到同一个场景中,这样就可以将一段完整的视频划分成多个逻辑故事单元。目前的视频场景分割方法采用图像特征作为视频的底层特征,并没有全面考虑视频镜头所包含的信息,从而导致场景分割的准确率不高。该文在充分分析视频内容结构和深入研究视频场景分割方法的基础上,提出了一种基于支持向量机的多模态视频场景分割算法,通过在多种视频上的实验验证了该算法具有较高的检索效果,能够实现对不同视频序列的快速而准确地分割,提高在海量视频中寻找特定视频片段的准确度并降低查找的时间成本。该文主要研究内容如下:（1）视频数据预处理。该文针对目前采用图像特征来代表视频底层特征而导致镜头部分内容丢失的问题,通过多模态融合思想对视频底层特征进行提取,在已经提取图像特征的基础上,提取美尔频域倒谱系数来代表音频特征,采用基于统计的特征提取方法,选取词频和反文档频率描述视频的文本特征,并将提取的三类数据用SimFusion算法进行融合,作为视频底层的多模态特征。（2）语义概念检测。该文通过机器学习中支持向量机的分类思想来构建语义提取模型,选用高斯核函数来求解不同类型数据间的最优分类面,并利LIBSVM软件包构造出若干语义分类器,分类出镜头关键帧对应的语义概念,统计数据集中每一类语义概念所返回的相关镜头数,通过评价指标来量化语义分类效果。（3）视频场景分割。在基于语义概念的视频场景分割中,该文采用语义重叠镜头链算法划分出不同的场景,由实验结果及分析可知,由于充分考虑了多模态之间的内在特性,与文献[35]相比,该文不仅在语义概念检测中取得了较好的效果,而且在多种视频数据的场景分割上都取得了更高的查全率与查准率。多种视频数据的实验结果表明,该文算法的查全率、查准率达到了91.18%与92.81%,相较于文献[35]提高了2.36%与1.29%,综合指标达到了92.45%,相较于文献[35]提高了1.84%。