随着移动互联网在各年龄阶层的日益普及,人们逐渐习惯于在互联网上发布视频来记录日常生活,分享知识、表达自我。在这个知识共享的时代背景下,一些内容创作者需要足够丰富和有趣的视频素材才能做出更吸引人的视频来抓住观众的眼球,而创作者如何检索这些海量视频作为内容素材就成为一个新的痛点。但目前主流视频平台基于标题和标签索引匹配的搜索系统没有理解视频内容的能力,所以难以满足该类用户精准搜索的需求。因此研究设计一个满足该类用户需求的视频搜索系统有重要的意义。目前主流的基于深度学习的跨模态视频搜索的模型采用的是一种端到端建模的方案,这种方案只能对短小（10s左右）的、视频内容主题单一的视频有不错的效果。这种端到端建模的解决方案仍然处于起步阶段,但是还达不到商业公司产品化的要求。于此同时,抖音的视频搜索方案采用了光学字符识别（OC R）、语音识别（ASR）等技术拆解视频内容然后建立索引,这样的方式能解决较长时长视频的搜索,但是无法做到对用户检索目的的推理。因此本文针对知识类视频具有语音讲解的信息量要远多于画面的信息量而且视频时长长、主题维度多等特点,提出一种分别建模的方法,即通过抽取视频语音内容转为文字,再进行知识抽取,从而将跨模态视频搜索的问题转化为知识图谱中实体检索的问题。本文设计并实现了一个基于知识图谱的文本-视频跨模态搜索系统。本系统的实现总共分为三部分:视频管理模块、语音识别模块和知识图谱模块。视频管理主要实现了视频的上传和视频搜索功能。视频管理模块中,利用Django框架实现视频上传功能,然后搜索功能采用基于REFO的模板化的问句解析来实现。语音识别模块中,本文首先通过提取出视频语音的语谱图特征,随后微调了VGG网络结构并结合CTC做重复符号消除,使声学模型适配语谱图,然后训练该声学模型得到拼音,最后通过统计语言模型将拼音转为中文文本。在知识图谱模块中,知识抽取由两部分组成,首先通过搭建BiLSTM-CRF模型实现实体识别功能,然后搭建BiLSTM-Attention模型进行关系抽取两大步骤的知识抽取方案。并且利用Neo4j图数据库进行知识存储构建出与视频内容相关的知识图谱。这样系统可以将用户的输入进行解析转成图数据库的实体查询去检索结果。最后本文给出了具体的测试方案和即详细的测试用例,并对系统进行功能测试和系统测试,对测试结果的分析证实系统达到了预期的效果。