基于视频内容的标注能够有效地对视频进行分类和检索,因此它一直是广大研究者关注的问题。在该问题上,传统的机器学习方法需要人工标注大量的样本,这会耗费很多的人力物力,而使用迁移学习方法可以很好的利用相关领域的知识来训练模型,从而完成对视频内容的标注。由于单源域迁移学习源领域比较单一,可能会由于源域和目标域之间关联程度不大导致迁移的效果不理想,因此本文使用多源域知识训练目标模型,首先将互联网视频知识和图像知识进行分组,然后通过计算各源域组和目标域之间的权重来学习目标分类器,最后完成了对目标视频的标注任务。本文主要的研究工作如下:(1)针对目标视频缺少带标注数据而导致的负迁移问题,本文提出了一种多源域适应方法(Multi-Source Adaptation,MSA)。该方法在目标域中加入少量带标注的视频数据,根据源域互联网视频组与目标域用户视频之间的相关程度,计算不同的源域视频组的权重,然后根据权重计算每组源域视频分类器对目标域视频的决策值,最后根据基于流形正则项的权重学习模型来训练目标分类器。实验结果表明,MSA方法在Kodak数据库上的平均标注准确率达到了42.62%,比CP-MDA、DAM、DSM和MDA-HS方法分别提高了7.54%、4.59%、1.79%、9.99%;而在CCV数据库上达到了43.76%,分别相对提高了21.76%、17.38%、3.33%、8.64%。(2)针对源域知识提取不足的问题,本文提出了一种异构复合多源域适应方法(Heterogeneous Compound Multi-Source Adaptation,HC-MSA)。该方法加入与源域视频组异构的图像组数据组成异构复合的数据源,为了减少源域图像组和目标域数据分布的不匹配,使用最大均值差异方法减小源域图像组和目标域视频的距离。针对每个源域组学习适应的分类器,并计算其权重,然后根据权重计算每组源域分类器对目标域视频的决策值,最后引入多核学习和拉普拉斯流形正则项来约束目标分类器。实验结果表明,HC-MSA方法在Kodak数据库上的平均标注准确率达到了47.32%,比CP-MDA、DAM、DSM和MDA-HS方法分别提高了14.69%、11.66%、6.41%、2.56%、3.16%;而在CCV数据库上达到了46.88%,分别相对提高了18.62%、14.17%、8.34%、3.47%、2.87%。