视频目标的实时识别是当前研究的热点问题之一,它是视频目标跟踪、视频目标分割等其他后续研究的基础工作。然而,现有的方法通常建立在视频解压缩的基础之上,计算复杂度较高、难以达到实时的目标识别。针对上述问题本文着重研究视频压缩域中的目标识别模型,以实现视频压缩域中信息数据的有效提取,从而提高视频中目标的识别效率。本文的主要内容如下:首先,本文提出了一种基于图像形态学的视频运动矢量图构建方法,以实现视频数据的实时处理。通过对视频压缩过程的分析,提取出视频压缩域中宏块的运动矢量数据,再利用图像二值化和形态学闭运算方法构建成运动矢量图。实验表明,与视频图像前景图相似度计算上,该方法在余弦相似度和差异值哈希方法的结果为0.783和7.25,优于光流法和背景差分法的计算结果。其次,本文提出了一种基于卷积神经网络的视频空间特征向量提取模型-MS-CNN。并在此基础上,提出了一种视频时序特征提取模型-MT-LSTM。MS-CNN模型由ResNet网络和VGG网络两个分支组成,每个分支分别对视频数据进行空间特征向量提取,然后将提取的两个特征向量融合成多维特征向量。MS-CNN输出的空间特征向量输入到MT-LSTM网络中进行时序特征的提取,最终通过提取的特征数据对视频中的目标进行识别。最后,本文提出的模型在全球AI挑战赛短视频实时分类数据集上进行了验证。实验结果表明在该数据集上,本文的模型准确率能够达到73.4%,对视频的处理速度能够达到26帧/秒,达到了监控视频图像录制的帧率,实现了对视频目标识别的实时处理效果。本文在实现视频运动矢量图实时提取的基础上,提出了一种面向视频压缩域的目标识别方法。该方法能够在不解压缩视频的前提下,实现目标的有效识别,为智能交通、自动驾驶和视频异常检测等领域提供了新的技术。