随着计算机技术的进步、互联网的发展，多媒体信息遍及人们生产、生活的每一个角落，人们对多媒体数据的管理、检索的需求越来越大。视频语义概念检测技术作为下一代多媒体信息检索的重要技术，已经成为当前信息检测的热点课题。　　 本论文深入分析了多种底层视觉特征和多种SVM核函数对视频语义概念检测系统性能的影响，研究了基于多特征融合的语义概念检测技术，提出了基于多核学习的多层核函数组合模型的前融合算法和基于逻辑回归的分类器级多级后融合算法。　　 底层视觉特征是视频语义概念检测系统的重要部分，本论文首先设计了基于单特征的语义概念检测系统，全面对比分析了颜色、纹理、边缘等7种全局特征和SIFT、颜色SIFT、HOG等12种局部特征在视频语义概念检测中的性能差异。颜色SIFT描述子克服了以往局部描述子丢失颜色信息的缺点，在多颜色通道上检测提取兴趣点，增强了对视频视觉信息的描述能力。视觉词袋模型(Bag-Of-Visual-Words)有效地表达了视频图像中稳定的局部特征点，也同时降低了特征维数，提高了分类的速度。在一层视觉词袋模型的基础上，本论文建立了空间金字塔模型，增加空间信息，虽然特征维数增大牺牲了计算资源，但是有效地提高了语义概念检测系统的性能。　　 SVM对语义概念模型的描述能力和对不同语义概念的区分能力主要依赖于核函数的选择。针对视频语义概念检测问题，本论文对比分析了高斯径向基(RBF)核、卡方(χ2)核和余弦核这三种SVM核函数。基于卡方核的分类系统检测MAP值高、性能稳定，更适合于语义概念检测系统。　　 信息融合是提升视频语义概念检测系统性能的有效途径，本论文提出了多种基于多核学习的多层核函数组合的前融合模型和基于多级线性加权的分类器决策融合算法，有效地结合了不同视觉特征提供的视觉内容信息，提升了对视频语义概念检测的性能，增强了系统的鲁棒性。在NISTTRECVID2009高层特征提取评测和TRECVID2010、2011的语义索引评测中，本论文设计的基于多底层视觉特征融合的视频语义概念检测系统均取得优异成绩。