视频已经快速成为最常见的视觉信息资源之一,而体育赛事视频是视频领域中的一个重要的部分。对于那些想要变得更强的运动员来说,通过观看视频来提升自己查漏补缺是一个不可或缺的手段。但是观看视频时视频中不必要的片段又会浪费掉运动员大量的时间,对于运动员的日常训练是很不利的。因此,开发一款可以分析和理解视频内容并将视频中的不必要的视频片段剪掉的智能工具是非常有效和便捷的。视频摘要是指从原始视频中提取具有代表性的关键帧,将原视频缩减成较短的视频同时可以保存视频中最重要和最有代表性的信息。视频摘要问题是一个序列结构预测的问题,它的输入是一系列的视频帧,输出是二进制的数值用来表示一个视频帧是否被选择。自从硬件计算能力大大提升之后,神经网络算法渐渐成为解决相关问题的重要方法,尤其是循环神经网络中的长短期记忆网络,它可以综合原视频的所有数据来决定当前帧是否被选择,因此成为处理序列结构预测问题最核心的方法。本文致力于设计一个以循环神经网络为核心的应用于网球的视频摘要系统,使用长短期记忆网络为长期和短期交织的可变范围的依赖关系建模。通过与基于Faster RCNN的行人检测算法结合,过滤掉视频帧中无用的信息。同时,与基于Flownet2.0的光流估计算法结合,将原始的彩色图像转化为光流图像。通过融合彩色图像的信息和光流图像的信息,来提高网球视频摘要算法的准确率。现阶段我们的方法在2153分钟的数据集上进行训练,在461分钟的测试集上的准确率达到81.5%。