随着信息时代人们视听消费方式的逐渐改变,电视电影等视频资源的数量快速增多,同时随着视频分析技术的不断发展以及人们对自动获取视频故事主线,人物等信息的需求也不断增长,视频人物聚类与关联分析研究作为一种挖掘视频中潜在信息的技术逐渐成为热门的研究方向。本文将主要针对该方面进行研究。在深入了解视频人物聚类与视频人物关联分析的国内外研究现状的基础上,分析二者存在的不足,并在以下几个方面展开深入研究,取得一定进展。不同于传统的基于图片的人脸聚类方法,视频人脸聚类算法要应对人脸图像中出现的亮度,角度和分辨率变化,部分被遮挡,以及表情变化等情况,同时视频中存在大量的人脸,这对聚类算法的有效性和可伸缩性提出了十分高的要求。基于上述问题,本文提出了一种基于成对约束的视频人物聚类算法。该算法利用视频中人脸轨迹的时空信息,获取视频中的先验信息,然后利用这些信息得到人脸间的成对约束关系,并将约束关系融入到层次聚类算法中,以达到增强聚类效果的目的。同时,为增强算法的有效性和可伸缩性,本文采用最近邻链和数据划分的方式优化算法,改进算法的时间复杂度,以应对视频数据中人脸数据规模较大的情况。为验证提出方法的有效性,本文在真实的电影视频上进行实验,实验结果充分体现了该方法的有效性和可行性。在有效完成视频人物聚类工作之后,本文继续对视频人物关系进行分析与挖掘。基于场景的时空上下文和视频语义信息,本文提出一种人物共生关系挖掘方法,并通过人物间的量化关系,构建人物社会关系网络——SRN网络。基于SRN网络,我们能够摆脱传统的基于特征方法的限制,进行更加深入的视频语义分析。通过对SRN网络中人物关系进行分析,本文提出一种基于核心人物的团队识别方法,该方法能够自动确认视频中的核心人物,并挖掘出围绕核心人物的团队。本文使用大量的电影视频进行实验,实验结果表明上述SRN网络模型和团队识别方法的有效性。