新闻视频故事检索能够帮助人们从海量信息中查找需要的信息。视频故事分割和基于哈希方法建立索引是新闻视频故事检索中必不可少的两个模块。故事分割是将新闻视频根据内容分割为故事片段,建立索引是将检索内容和索引库的数据进行降维以减少资源消耗。目前,基于字幕的新闻视频故事分割和深度哈希算法虽然取得了一定的成果,但仍然存在以下问题:（1）用于故事分割的字幕检测方法的泛化性较差,且确定故事边界的过程需要综合多个描述符才能取得较好的效果;（2）在深度哈希编码过程中,一方面特征向量存在与哈希码无关的信息,且全连接哈希层直接处理特征向量时,其并不能很好地综合评估各个特征的作用,这些都会造成不可控的量化误差;一方面现有的中心相似性学习策略对仅有部分相似标签的多标签数据对的学习效果不理想。本文就上述问题展开了研究。为了解决基于字幕的新闻视频故事分割存在的问题,本文将字幕检测视为标题字幕和对话字幕的双目标识别任务,通过自建字幕数据集来重新训练YOLOv3（You Only Look Once）,提升标题字幕检测精度。此外,根据新闻标题的唯一性特点,本文提出基于标题字幕的新闻视频故事分割算法,引入均值哈希,实现对YOLOv3检测到的小标题字幕块的快速比较。实验结果表明,基于YOLOv3的标题字幕检测在新闻联播上的F1分数提升了2.04%,在朝闻天下上的F1分数为0.991;基于标题字幕的新闻视频故事分割在新闻联播上的F1分数提升了0.2%-12.13%,在朝闻天下上的F1分数为0.917。针对深度哈希中全连接哈希层直接处理特征向量和中心相似性学习存在的问题,本文提出了基于量化注意力机制的深度哈希算法。该算法提出了量化注意力机制来减小因生成二进制码产生的量化误差,其对特征向量进行归一化操作以降低原始特征值对结果的负面影响,并仅选择特征向量的关键信息送入全连接哈希层。同时,引入成对相似性改善中心相似性学习问题,使得数据点生成的哈希码向对应的语义哈希中心收敛的情况下,也能够减小仅有部分相似标签的数据对生成的哈希码的汉明距离。实验结果表明,与中心相似性量化（Central Similarity Quantization,CSQ）相比,基于量化注意力机制的深度哈希在Image Net、MS COCO和NUS＿WIDE上的m AP分别最多增长了2.5%、2.7%和1.9%;与基于二元组或三元组相似性学习的深度哈希相比,基于量化注意力机制的深度哈希在Image Net、MS COCO、NUS＿WIDE上的m AP分别至少增长了12.4%、5.1%、1.5%。