随着电子商务网站和在线视频播放平台的发展,视频电商已经成为电子商务公司和在线视频播放平台的核心发展业务。视频电商可以扩展现有电子商务公司的业务范围。其次视频电商也可以帮助视频播放平台将视频观看流量转化为商业收益。在这样的时代背景下,本文研究了基于深度学习、统计学习和强化学习的针对在线视频电商平台应用的关键技术和算法。其主要研究工作包括:针对在线视频广告推荐任务,本文提出了一个名为Video eCommerce++的在线视频广告推荐系统。首先一个双因素回归模型模型被新颖地提出来构建视频和商品广告之间的语义关联。同时为了满足在线广告的需求,一个基于增量的优化算法也被提出来对双因素回归模型进行优化。其次在异构信息网络的基础上,本文提出了一个用户购物兴趣偏好挖掘模型。另外本文提出了一个视频场景重要性排序模型。该模型可以利用用户观看行为来对视频场景重要性进行建模,从而可以将广告嵌入视频流中最具吸引力的位置。最终为了将三个模型的输出相结合,本文提出了一个基于分布式异构图的矩阵分解模型来进行在线视频广告推荐。本文在天猫魔盒边看边买项目中进行了大量实验。实验结果表明,Video eCommerce++系统显著优于其它最先进的视频广告推荐方法,并且可以对大规模的用户行为作出实时相应。针对在线视频衣物精确匹配任务,本文提出了一个名为AsymNet的深度神经网络。在电子商务网站图像端,本文提出了一个可以检测和提取任意尺寸衣物图像特征的特征提取网络。在视频播放平台端,本文提出了一个视频衣物序列特征提取网络。该网络可以利用从每个视频帧中检测出的衣物区域中提取到的图像特征,来构建出能够捕获视频中的时间动态的序列视频特征。其次为了解决视频与商品图像之间的精确匹配问题,一个可重构的深度树形相似性网络被提出来进行相似性学习。该网络可以对从静态图像中提取的图像特征和视频衣物序列特征进行建模并得到对应的相似性。同时本文还提出了一个近似训练方法来满足在线衣物匹配的需求。本文进行了大量实验来验证所提出方法的有效性。实验结果表明,本文所提出的方法可以高效和准确地解决在线视频衣物精确匹配任务。针对视频超链接推荐任务,本文从统计学习的角度来解决视频超链接推荐问题。其研究贡献主要由两部分组成。1)为了充分验证视频超链接任务的统计特性,本文在各种实验设置下进行了全面的仿真实验,最终发现视频超链接的目标视频和源视频片段都需要同时满足流行性、确定性和多样性。2)基于对大量仿真实验结果的分析,本文提出了一个基于统计学习的视频超链接推荐模型。该模型可以充分利用不同的统计特征来对视频超链接的源视频片段和目标视频片段进行自动选择。为了充分评价该模型的有效性,本文分别对源视频片段和目标视频片段选择进行了大量实验。在目标视频选择方面,2016年和2017年国际视频权威评测(TRECVid)的结果表明,本文提出的方法显著优于其它对照方法。该方法还获得了 TRECVid 2017年视频超链接任务的最佳准确率(Precision@K)和平均准精率(MAP)。针对自动通用属性识别任务,本文提出了一个大规模通用属性识别模型来自动设计可以支持通用属性识别的深度神经网络。该模型可以充分利用多任务学习和强化学习来加速神经网络结构搜索过程。借助参数共享机制,该模型能够将预先搜索得到的属性识别网络迁移到不同的属性集合。本文在三个属性集合的251个属性上全面评估了该模型的有效性。大量实验结果表明,本文所提出的模型取得了比其它最先进的人工设计的属性识别网络更优的性能。