近几年来,多媒体视频作为一个重要的数据载体,在信息传播中发挥着巨大的作用。然而信息膨胀,给多媒体视频的精准检索带来了巨大挑战。最早的多媒体视频检索技术是采用人工标注的方法完成的。随着视频数量急剧增加,人工标注已经成为不可能完成的任务。后来又建立了基于低层特征的检索系统,但效果并不好。近年来,视频分割成为了视频检索研究的热点,视频分割可以从视频序列中分离出有意义的实体,提高检索的准确度和效率。随着深度学习的不断发展,深度学习技术在计算机视觉任务中取得了长足的进步。目前图像分割与识别的方法都是基于深度学习的,通过深度学习学习到高层次语义特征,可以精准的对图像分割与识别。随着深度学习在图像分割与识别上取得了巨大成功,大家开始使用深度学习的方式进行视频的分割与识别。本文提出了基于深度学习的图像视频的分割与识别方法。图像分割与识别采用的是实例分割方法,并在Mask R-CNN网络基础上给出一种实例分割网络,通过重新设计Mask R-CNN掩码分支结构,来改善和加速实例分割。在掩码分支上通过增大ROIAlign层的分辨率以及使用了前后层特征融合的方法,得到了更加精确的边界信息。在不影响算法精度的前提下采用深度可分离卷积减少了训练参数,提高了算法的效率。视频的分割与识别是建立在图像分割与识别的基础上的,步骤包括镜头分割、关键帧提取和分割与识别。本文镜头分割采用了基于χ~2直方图的方法,只需要考虑像素分布情况,可以很好的检测到变化比较大的镜头。关键帧的提取使用了基于内容分析的方法,该方法可以随着镜头内容变化自适应选取出关键帧。对于提取到的关键帧使用实例分割网络模型进行分割与识别,经过实验证明,本文的算法可以有效地对图像视频分割与识别。