基于视频概念检测的视频检索技术目的在于提取视频中的高层语义,来解决海量视频的产生和传输带来的一系列的组织、过滤、分类和检索的问题,具有巨大的科研价值和广阔的市场前景。本文介绍了视频概念检索中的主要流程和算法,围绕基于视觉相似度的聚类和基于内容的图片分类提出一系列算法和系统设计。按照视频分析的不同阶段,分为：从视频到图片-基于视觉相似度的视频摘要。在相似度度量方面,使用多分辨率LBP和归一化欧式距离,视频帧经过AHC的聚类模型后,采用基于视频结构、人脸等特征的兴趣函数的建模来选择摘要帧。视频摘要最终实现从视频片段到图片的转化。从图片到概念-基于内容的图片分类。视频摘要得到的关键帧用作后续视频分类。在深入研究底层局部和全局特征的基础上,通过颜色SIFT和VLAD模型进行探索,进行Kernel-PCA降维后实现从图片到向量的转化。通过基于SVM分类器的训练和前后融合算法实现图像分类。最终实现从图片到概念的转变。该视频摘要算法在实验中得到了不同视频中70%至96.7%的准确率,且AHC的聚类方式便于实现不同粒度下结果获得。对图片分类方面的实验使用TRECVID2012实验的数据集,并对图像分类中的各关键模块性能进行评价和分析,最终提交结果在国际近100个参赛队伍中排列前10,显示了本算法的鲁棒性和系统可行性。下一步的研究方向是在加深底层特征和机器学习算法的基础上,与移动互联网需求相结合。研发更加高效的低维特征和降低计算开销,以满足移动设备上视频和图片的处理及传输要求。