可定制交互式视频是指在视频编辑和制作的过程中,可以根据不同的受众定制不同内容的交互式视频。目前,可定制交互式视频凭借其可交互、信息量大等优点拥有很大的市场需求（商品导购等）。然而,在可定制交互式视频的制作过程中,当前还面临两个主要问题:第一,对于视频目标检测,视频中经常出现如目标运动模糊、视频散焦、目标姿态奇异以及遮挡等帧图像恶化现象,传统视频目标检测算法难以在此类视频目标检测任务中达到较高的检测精度。第二,对于目标信息管理,视频中包含大量且结构复杂的目标信息,当前目标信息管理方法缺乏对目标信息的有效组织管理和语义关联。统一内容标签（Uniform Content Label,UCL）国家标准可以将纷繁杂乱的目标信息进行高效聚合,使得可定制交互式视频制作者能够有效地对目标信息进行组织和管理。针对以上两个问题,本文将深度学习技术应用于可定制交互式视频制作中,提出一种基于深度学习的视频目标检测算法ODV-DL（Object Detection for Video Based on Deep Learning）,设计一种基于UCL的视频目标信息库ILOV＿UCL（Information Library of Object in Video with UCL）,并在此基础上提出一种基于UCL的视频目标信息汇聚关联方法IAAMOV＿UCL（Information Aggregation Association Method of Object in Video with UCL）。本文的主要研究工作包括:（1）针对传统的视频目标检测算法检测精度较低的问题,本文提出一种基于深度学习的视频目标检测算法ODV-DL。首先将视频帧特征增强视为视频帧序列的编解码过程,利用视频帧特征增强模块提取视频中丰富的时序信息,并通过时序特征完成对视频帧图像特征的优化。然后对视频中的目标关系进行建模,构建视频目标关系提取模块,充分挖掘视频中目标之间潜在语义关系,并通过目标关系实现对候选框特征的重新编码,以此丰富候选框的特征表示。最后对编码后的特征进行分类和回归,完成对可定制交互式视频中目标的精准检测。（2）针对当前目标信息管理方法缺乏对目标信息的有效组织管理和语义关联的问题,本文借助UCL规范化信息结构的优势,设计一种基于UCL的视频目标信息库ILOV＿UCL。同时,为了能够对ILOV＿UCL中的目标信息进行及时更新和语义关联,本文提出一种基于UCL的视频目标信息汇聚关联方法IAAMOV＿UCL。首先利用三元损失函数在一定程度上解决了视频目标检测算法在识别目标细粒度类别时的不足。然后对识别后的细粒度类别结果进行信息的定量汇聚,生成语义丰富的视频信息。最后根据视频信息,计算视频目标信息间的语义权重,充分挖掘视频目标信息间的语义关联。（3）实现了基于深度学习的可定制交互式视频制作原型系统,并通过相关实验对本文所提ODVDL算法和IAAMOV＿UCL方法进行了验证,实验结果表明ODV-DL算法相比于传统的视频目标检测算法具有更高的检测精度,IAAMOV＿UCL方法能够实现对目标信息的有效组织管理和语义关联。