近重复视频检测(NDVR)在实时视频监控追踪、版权专利和个性化私人化视频推荐等方向都有广阔的发展前景。在海量的视频数据库中,如何对视频进行精确的检测,快速得到所需视频,已经转变为视频研究的热点方向。本文立足于提升近重复视频检测的整体性能,针对准确率和速率的不同层次要求,提出了应用于近重复视频检测的算法模型,主要工作如下:1.在视频检测准确率方面,提出基于拉普拉斯正则化的多核集成典型关联分析(LRKCCE)算法。采用一个拥有多个核典型关联分析算法模型的集成框架,以满足核希尔伯特空间(RKHS)中的总平方损失达到最小值的要求。多核模型通过学习使得具有更好数据之间相关性的单个KCCA能够自动的分配到更大的权重,从而降低算法对核函数和参数选择的整体敏感性。同时,由多个不同高维度特征空间组合而成的新RKHS,能更有效地利用不同核函数的不同映射能力,从而达到更好的组合函数映射效果。本文分别在遥感数据集和视频数据集NWPU-RESISC45上进行的各项实验表明了该方法的准确性。2.在视频检测效率方面,提出基于快速傅里叶变换的深度典型关联分析算法(FFT-DCCA)。研究基于深度学习和循环矩阵的快速近重复内容的图像检测方法。通过深度典型关联分析(DCCA)有效提高CCA方法在近重复视频检测上的鲁棒性;同时由于需要在海量图像中进行快速的近重复图像的检测,将继续发展基于循环矩阵的傅里叶域内的求解方法,利用循环矩阵和快速傅立叶变换的性质使得矩阵整体运算得到进一步简化,将矩阵之间的运算变为元素间的运算,从而实现快速求解的目的。在部分图像数据和视频数据集上的实验的结果表明算法在时间性能方面能获得更好的检测效果。3.完成一个以FFT-DCCA算法为核心算法的近重复视频检测系统。此系统分为两个模块,以友好的用户使用界面展现了近重复视频检测功能。