随着互联网的发展和各方面技术的不断更新,视频已逐渐成为人们生活中重要的信息载体。短视频的时长更短,在获取和分享上具有独特的优势,其数量也呈现出爆发式增长的态势。传统的分类方法建立在手工设计的特征之上,在短视频数量日益剧增的今天已经不能满足需求,因此急需对短视频分类技术加以改进和优化。短视频分类能够基于短视频内容添加类别标签,对于短视频的高效组织、检索和推荐等方面的研究和应用具有重要意义。现有的基于深度学习的短视频分类方法在模型设计、处理效率方面还存在着不足,本文基于深度学习方法,对短视频分类开展了研究,主要内容如下:本文对两个公开数据集进行调整,使用上采样的方式对数据集中的短视频数量进行扩充并保持标签间数量平衡。在无预训练且数据集规模较小的情况下,这种方式能够有效缓解从头开始训练模型时的过拟合现象,更适用于本文所研究的短视频分类任务。本文提出了一种端到端短视频分类模型,该模型在空间特征提取阶段结合了卷积结构和自注意力机制的特点,能够充分提取数据的局部特征和全局特征,并在通道维度上拼接,扩充特征的丰富度。模型在时间维度上使用膨胀卷积网络,扩大时域感受野的同时保留足够多的时序信息。同时使用双向循环神经网络对短视频的时序特征进一步建模,并使用计算注意力权重并加权求和的方式聚合循环神经网络的输出,得到更好的短视频整体表示。该模型三个人类行为识别数据集上的分类准确率分别为71.95%、52.24%和71.31%,优于同类研究的其他方法。为解决目前单一模态信息有限的问题,提高短视频分类方法的性能,本文提出了一种基于多模态的短视频分类模型。本文针对视觉、音频和文本数据的特点,分别构建对应的特征提取网络,抽取模态的抽象特征,再通过特征融合的方法,得到包含丰富短视频信息的特征用于分类。该模型在多模态情绪强度数据集CMU-MOSI上取得了的84.09%分类准确率,优于使用单一模态数据的分类效果,以及同类研究的其他方法。本文在上述研究的基础上,设计与实现了一个短视频标签标注系统,能够为数据库中的短视频自动标注标签,帮助构建短视频领域知识图谱,并服务于任务型对话系统,提供短视频智能搜索的功能。