视频由于其内容的丰富性、直观性和生动性,一直被广泛应用于我们生活的各方各面。但是随着“互联网+”时代的到来,视频数据规模急剧扩大,人工地去分析和管理海量的视频数据将耗费巨大的人力,多媒体事件检测(Multimedia event detection,MED)任务应运而生,并成为近年来计算机视觉和视频检索领域的一个热点研究内容。近年来深度学习在图像领域不断取得了重大突破,为其它深度学习领域提供了十分有效的参考,但是对于MED等复杂的视频任务中,并没有一套成熟的网络结构。本文对基于多模态特征的多媒体事件检测进行详细的探究,针对现有主流框架,基于语义和基于平均帧方法的优势和不足,主要工作内容如下:1.首先,本文结合深度学习和传统特征聚合方法的优势,将CNN和VLAD应用于视频事件检测当中,取得了不错的成果。2.其次,针对视频多媒体的层次性,结构性,复杂性等特点,实验性的在多媒体事件检测任务上加入了音频特征的提取,与视觉特征互补,并针对多媒体事件检测任务样本的缺乏,搭建了一套行之有效的特征提取框架。3.最后,搭建了一个基于多模态特征的多媒体事件检测系统,在多个数据集上进行了测试,参加了 TRECVID 2017 MED竞赛并获得第二名,验证了本文提出的多媒体事件检测框架及算法的有效性。