随着计算机和多媒体技术的快速发展,以图像、视频为信息流的互联网、物联网产品不断涌现,自媒体时代已然来临。在直播网站、视频号、影视媒体等依托视频作为信息主要载体的平台上,时时刻刻的传输着海量的视频数据,并呈现着更新周期短、产生速度快、种类多等特点。与此同时视频数据存在着存储成本高、不易维护和检索困难的问题,尤其是监控类视频中包含大量冗余信息,无法快速定位关键信息。因此迫切需要研究一种能对视频中感兴趣内容自动提取并实现结构化描述的技术来解决上述问题。视频结构化是通过提取视频主要信息并自动分析,并将视频数据转换为文本信息等描述形式的技术。不同种类的视频需要结构化的信息各不一样,例如影视类视频更关注人物、场景信息,安防监控类视频更关注行人、车辆信息等。由于视频的内容复杂,冗余度高,导致能够对视频显著内容的提取并结构化描述的技术也成为视频处理的热门问题。其中视频的显著内容包括视频的固有属性信息、感兴趣目标信息、关键帧信息、关键帧内容描述信息等。本文基于关键帧提取、目标检测、图像描述等技术,在传统图像处理技术的基础上,结合深度学习技术,提出了基于视频显著内容的视频结构化技术,主要研究内容如下:（1）针对传统视频结构化方法结构化信息不够丰富、容易缺失感兴趣内容信息、缺乏高级语义描述等缺点,结合目标检测、关键帧提取、场景识别、动作检测、图像描述技术对视频显著内容信息进行提取形成结构化信息,提取的结构化信息全面丰富,同时相对于传统的结构化方法,可以设置不同感兴趣目标生成侧重点不同的内容描述,减少结构化信息的冗余,便于视频内容描述、检索、存储。（2）针对YOLOv4-tiny目标检测模型的检测精度较低的问题,基于InceptionRes Net模块、sc SE注意力机制模块与SPP模块对网络模型进行改进和优化,增强了网络对输入图像的特征提取能力,经实验验证,能有效提高YOLOv4-tiny算法的检测精度。（3）结合传统方法和深度学习方法,提出了基于感兴趣目标分布的关键帧筛选方法。通过对图像底层特征和深度特征的融合,采用自适应阈值来实现镜头初步分割,再通过目标检测结果划分子镜头和筛选出关键帧。该算法提取的关键帧不仅代表性更强,而且能较大程度保留感兴趣目标信息。