在当今这个信息社会,网络上的视频数量每年都呈几何级别增长,如何从这些视频中挖掘出有用的信息成为研究者们感兴趣的领域。计算机视觉是专门研究如何让计算机从图像中获取有用信息的一个研究方向,而视频是由图像组成的,如何利用计算机视觉技术来分析视频也成为研究者们感兴趣的事情。在本文中,笔者设计并实现了一个完整的视频中的人脸聚类系统,该系统的主要目的是将对视频中出现的人脸进行聚类,它主要由三大模块组成:人脸跟踪,人脸图片集粗聚类和人脸图片集再聚类。人脸跟踪的目的是从视频中获取所有人脸出现的片段,使得它们形成一个个单独的图片集,笔者采用了镜头边界检测,人脸检测等技术来实现快速的视频中人脸跟踪;人脸图片集粗聚类模块中,笔者采用了一种基于SVM的距离度量方法来计算图片集之间的距离,并用层次聚类法实现人脸图片集之间的聚类;为了解决粗聚类模块中召回率低的问题,笔者采用了更精确的基于深度学习的人脸识别算法对粗聚类的结果进行再聚类,力图提升整个系统的召回率。最后笔者在CINESER和BigBang两个数据集上测试了整个系统的平均准确率和召回率,实验结果显示系统的准确率和召回率均能达到90%左右;同时对比了系统处理不同视频的时间消耗。文章的最后笔者对系统的主要应用场景进行了讨论,显示出了该系统的应用价值。