近些年来,大规模视频处理在监控分析、交通管理、在线视频内容检索等方面发挥着愈来愈加重要的作用。同时,借助于深度学习的发展,图像分析的精度逐步得到提高,应用深度学习模型例如目标检测模型以及目标识别模型进行视频处理已经变得十分高效。在视频处理过程中,对于同一个视频,会有来自多个不同用户的多个请求。当这些的请求在查询内容或区间等方面存在重叠时,便会为数据共享带来可能性。由此,通过对多个请求间的重叠部分进行裁剪与复用,视频分析的性能将会得到极大提升。本文进行了针对多用户共享视频处理的优化研究,,通过对深度学习模型的推导结果进行复用来更好的提升基于深度学习的视频处理服务的性能。在充分考虑多个请求在精度存在不同需求的基础之上,本系统通过提出多请求共享模式与单请求共享模式来进行数据共享。在本文中,充分的对以下几个方面进行了研究:（1）在多个请求之间会有很大的共享可能性,特别值得注意的是,目标识别与目标检索请求的结果存在着互相共享的可能性。（2）对于当前的查询请求,提高其处理结果精度能够进一步提高共享的可能性,但是这会为当前请求在延迟方面带来负面影响。在保证对单个请求没有影响的前提下,RDShare致力于最大化的共享多个请求间的数据。在单请求共享模式中,本研究方法通过差异检测器对视频帧之间的差异性进行检测,从而根据差异度来完成相似帧之间数据的复用。在多请求共享模式通过请求裁剪模块对存在重叠部分的多个请求进行裁剪,减少对于重复区间的处理次数。在另一方面,通过缓存历史请求数据为当前请求提供复用的方式完成请求在时间上的共享。同时,为了能够尽可能的节省系统资源,本研究中还针对缓存数据提出了压缩模式。该模式能够减少输入视频占用的空间以及输出结果所需的内存。最后,本文中对RDShare方法进行了详尽的评测,验证了本文所提出方法的性能与可行性。