在已经步入信息时代的今天,我们的生活中每时每刻都在产生着不计其数的视频数据。而在安防领域,覆盖城市的监控摄像头网络,每天在保卫着人们的生命与财产安全的同时,也会产生大量的监控视频数据。在发生事故后,监控视频通常是用于还原事故原因、追查嫌疑人的有效法宝。但覆盖整座城市的监控网络,其产生的视频不仅数量巨大,而且并非全部视频都包含有用的信息,在人群稀疏处的监控摄像头可能拍摄的大部分视频都是背景。大量的监控视频,不仅排查难度高,而且存储压力也很大。对这些视频进行排查,如果使用人工的方式,不仅排查速度慢,还非常消耗人的精力,会造成人力的巨大浪费。为了将人从低效率的工作中解放出来,我们需要尽可能让排查的过程自动化。近些年来深度学习的发展愈发火热,在许多场景中,深度学习都取得了比传统方法更好的效果,在图像和视频检索的领域也有着优秀的表现。对于海量的监控视频场景,有两个目标需要完成。第一个目标是将海量的监控视频中无用的部分丢弃,仅保留包含有用信息的关键视频片段及对应的关键帧图像,减少存储压力,降低检索难度和范围。第二个目标是提取关键帧图像中的行人特征与二进制哈希特征,将其保留进特征库并在需要时通过特征的比较检索目标出现的视频。本文针对海量监控视频的检索展开研究,主要工作如下:（1）针对第一个目标,本文的实现方法是通过自编码网络提取视频帧的特征,比较特征差异,在特征出现较大变化时保存图像作为关键帧,并保存此时间段的视频。当特征不再产生明显变化时,停止视频的保存。本文对提取视频帧特征的自编码网络结构与训练方法进行研究,通过实验确定使网络综合效果最好的损失函数、网络结构以及训练方式。（2）针对第二个目标,本文的实现方法是使用特征提取网络提取关键帧行人目标的特征,使用哈希网络提取行人的二进制哈希特征,并通过多级哈希特征减少检索时的计算量,提高检索速度。本文通过实验确定特征与哈希特征的网络结构与训练方式,相比直接使用网络进行训练,能获得高的效率。同时本文对标准的三元组损失函数进行一些改进,使其在哈希网络的训练中有更优秀的表现。在此之后,本文使用多级哈希特征对图像进行检索,在基本不降低检索效果的情况下拥有更快的检索速度。