近年来,得益于4G技术的普及、5G通讯技术日趋成熟以及移动智能设备的完善,视频数据与日俱增。如何从海量视频数据库中快速检索到用户感兴趣的视频已经成为信息化时代的一个有意义的课题。传统的基于文本关键字的视频检索方法难以满足用户日益增长的需求,因此,基于内容的视频检索方法应运而生。本文对基于内容的视频检索的关键技术进行了深入研究,主要包括关键帧提取、特征提取与表示。在关键帧提取方面,现有的算法存在以下缺陷:很难根据视频内容自适应地确定关键帧数量,关键帧的数量被限制为固定值,提取出的关键帧不能完全描述复杂的视频镜头中的内容;对摄像机的运动信息不敏感,导致关键帧提取的性能不稳定。在特征提取与表示方面,存在以下不足:传统的编码方法对高维特征进行表示时损失的特征信息较多,导致检索精度下降;卷积神经网络不能同时进行特征提取和哈希表示。本文针对上述问题,设计了高效的基于内容的视频检索算法。主要贡献如下:一、在关键帧提取方面,本文在传统的基于聚类的关键帧提取算法上作出改进,能够根据视频内容自动确定关键帧的数量。在视频任务常用的数据集和网络公开的视频片段上进行了实验,实验结果表明,本文提出的基于K-Means聚类的自适应关键帧提取算法,在压缩率和保真度两项指标上,表现明显好于文中的其他关键帧提取算法。二、在视频特征提取与表示方面,本文设计了基于池化的特征表示方法,对高维卷积特征进行降维表示。普通的池化是在同一特征通道上对特征图进行采样,信息损失较多。而本文提出的特征池化是针对不同通道的特征图进行采样,尽可能减少特征表示过程中信息丢失。实验结果表明本文提出的池化特征方法在检索精度上有一定优越性。三、在提升检索速度方面,本文提出一种基于深度哈希模型的特征提取与表示方法。该模型将卷积神经网络和哈希技术相结合,训练后可以直接提取视频帧的哈希特征。实验结果表明,在特征维度相同的情况下,本文提出的哈希算法在检索精度上明显优于文中的其他哈希方法,在检索速度上较其他的特征编码方法也有明显的提升。