随着互联网的快速发展,人们会接触到大量的媒体信息,这些信息使人们的生活变得更加丰富有趣。同时,随着社交媒体平台的不断发展,视频的数量也呈爆炸式增长,不同的视频内容被人们记住的程度不同,令人印象深刻的视频内容具有很高的研究价值。因此,视频可记忆性的研究受到工业界和学术界的广泛关注。视频可记忆性是衡量视频片段被人们记住的程度性指标。研究者通常用视频记忆分数来量化可记忆性,即视频片段被人们普遍记住的概率。视频可记忆性预测任务通过构建模型来预测视频的记忆分数进而判断视频的可记忆性。由于视频的空间信息和时序信息非常丰富复杂,研究影响模型预测的关键特征是目前视频可记忆性预测任务的重要课题之一。除此之外,设计更高性能的视频可记忆性预测框架也成为当前视频可记忆性预测研究的主要任务。因此,本文旨在分析影响视频可记忆性预测的主要特征并构建更高预测性能的视频可记忆性预测模型框架。具体研究内容如下:（1）面向视频可记忆性预测的多模态特征分析本文将视频的原始数据、关键帧数据以及相应的场景语义数据分别视作视频、图像和文本三种模态,基于支持向量回归、随机森林回归和多层感知机三种常用的回归模型,分析了不同模态下的多种特征对视频可记忆性预测性能的影响。首先,利用3D卷积神经网络提取3D特征,分析该特征和运动模式直方图特征对视频可记忆性预测性能的影响。其次,分析图像的基本统计特征（颜色特征、纹理特征、边缘特征）和深度特征的视频可记忆性预测性能。再次,提取文本特征预测视频记忆分数,探究文本对可记忆性能的影响。最后,讨论了同一模态和不同模态的多特征融合后形成的全局特征对视频可记忆性预测性能的影响。（2）基于自适应多模态集成网络的视频可记忆性预测为了避免在特征层面进行融合导致的信息冗余问题,本文提出了一种基于自适应多模态集成网络（Adaptive Multi-modality Ensemble Network,AMEN）的视频可记忆性预测方法。首先,选择视频、图像和文本模态的个体学习器并计算不同模态的预测值,即利用微调的3D深度残差网络来预测视频模态的记忆分数,并采用随机森林回归算法和多层感知机模型分别得到图像和文本模态预测值。其次,优化三个个体学习器使其达到最佳预测性能。再次,该算法通过加权平均法集成三个模态的输出值来预测视频记忆分数。最后,本文提出了面向视频可记忆性预测任务的目标函数,计算预测值与真实值间的误差,同时利用随机梯度下降算法和误差逆传播算法自适应更新每个模态输出值的权重,直至模型收敛。实验证明,该方法能有效提升视频可记忆性预测性能。（3）基于端到端多模态集成网络的视频可记忆性预测本文提出了一种基于端到端多模态集成网络（End-to-End Multi-modality Ensemble Network,EMEN）的视频可记忆性预测方法。首先,选择并优化视频、图像和文本三种模态的个体学习器,即微调的3D深度残差网络、图像卷积网络和微调的文本卷积网络。其次,分别计算视频、图像和文本模态的预测值,根据模态预测值与真实值两者间的误差来分配各模态的权重。再次,利用加权平均法对模态预测值与权重值进行加权,进而得到初始的视频记忆分数预测值。最后,利用目标函数计算初始模型预测值与真实值的误差,更新每种模态网络的参数,再次计算模态预测值与真实值的损失,进而更新每种模态的权重值,迭代以上过程,直至模型收敛。通过消融实验和对比实验证明,该方法有效提升了视频可记忆性预测性能。