近年来,互联网视频数量呈爆炸式增长,其中短视频具有内容短、传播快、制作成本低、参与性强的特点,这些特点使相关业务领域迅速崛起。随着5G通讯技术的普及以及互联网用户碎片化使用趋势的延伸,未来短视频市场还将继续扩大。在此背景下,如何快速处理海量来源不同、类别不同的短视频,对其标注、分类以便进行有效地管理,是短视频业务中的关键点。传统的视频分类方式是人工标注,包括用户上传视频时主动添加标签以及业务人员观看视频后手动添加标签。前者需要用户配合且真实性较低;后者虽然标注精确、真实性高,但会耗费大量的人力和时间。传统的人工标注方式难以满足日益增长的短视频业务需求。为此,本课题设计并实现了一个短视频分类系统,基于视频视觉内容通过算法自动对短视频进行多标签分类,解决传统人工标注存在的问题,并在此基础上提供视频管理、分类标签管理、用户信息管理等功能,支持人工标注对算法分类结果进行修正,进一步提高分类准确率。为实现短视频自动分类,本文提出并搭建了从视频预处理到视频分类的完整流水线,首先使用在大规模图像数据集上预先训练的卷积神经网络提取视频视觉特征,再利用局部聚合描述符向量对视频特征进行编码,最后通过神经网络输出分类结果。基于上述流水线,本文对整个系统进行了需求分析,确定了系统需要实现的具体功能。根据需求分析结果,本文将系统划分为文件存储模块、视频上传模块、管理模块、视频预处理模块以及分类器模块,进行了详细的设计并实现。最后本文对系统的核心功能以及分类器性能进行了测试,通过对测试结果的分析,证明了该系统可以通过算法自动对短视频进行通用多标签分类,整个过程无需人工介入,且具有较高的精度。本文实现的短视频分类系统通过算法自动完成分类任务,同时还支持人工标注功能,可以对算法分类结果进行修正,一方面大大节省了人力和时间成本,另一方面也保证了分类的准确率。