互联网技术的快速发展,为视频的制作和传播,创造了有利条件。对于海量视频数据,传统基于文本方式的视频检索方法已不能满足用户的需求,为了快速、高效的对视频进行分析和管理,基于内容的视频检索技术成为目前研究的热点。目前基于内容特征的视频检索系统,大多采用提取视频关键帧的颜色、纹理、形状等底层特征,来进行视频相识度匹配,这些底层特征是基于全局统计或者人工设计的特征提取方式,存在泛化抽象能力不强、易受光照和噪声的影响等问题,同时,未考虑视频帧时序上的关联性,导致视频检索精度偏低。为此,本文提出了基于深度特征的关键帧提取算法、基于三维卷积神经网络的视频时空特征提取框架,设计了融合视频时空特征和深度特征的视频相似度匹配规则,开发并实现了一个基于深度学习的视频检索系统原型,在检索速度和精度等方面均取得了较好的效果。本文主要研究内容如下:（1）提出了一种基于深度特征的关键帧提取算法。该方法使用卷积神经网络获取视频帧的深度特征,通过比较深度特征之间的差异作为关键帧提取的依据。数据实验表明,该算法简单高效且鲁棒性强,能够有效避免关键帧的漏检和误检。（2）构建了基于三维卷积神经网络的时空特征提取框架。采用三维卷积神经网络提取关键帧相邻的16帧图像的时空特征,该时空特征能够融合时序上视频帧的运动特性与帧内容特征,充分反映帧在时序上的变化规律,对运动镜头提取的时空特征更加具有代表性,可进一步提升视频检索准确率。（3）设立了一种融合视频时空特征和深度特征的视频相似度匹配规则。在视频的相似度匹配过程中,通过融合视频关键帧的静态特征（深度特征）和动态特征（时空特征）,并结合滑动窗口实现视频特征序列的非对称匹配,从而完成基于关键帧和基于短视频的视频内容检索。结合本文提出的基于深度特征的关键帧提取、基于三维卷积神经网络的时空特征提取框架和融合视频时空特征和深度特征的视频相似度匹配规则三部分算法,开发并实现了一套高精度基于内容特征的视频检索系统原型。通过在标准动作视频数据集UCF-101上测试表明,当视频检索系统的查全率达到90%时,其平均查准率高于84%,超过了SIFT（Scale-invariant feature transform,SIFT）特征算法的62%的准确率。并且通过GPU等硬件环境加速,系统的平均检索时间不超过3秒,其检索精度和速度均优于传统的视频检索方法,为深度学习应用于视频检索研究做了有益探索。