通信技术和互联网的快速发展极大地推动了信息传播,基于多媒体的应用得到爆发式增长,其中承载信息量较大的视频也逐渐成为人们日常沟通、消遣娱乐不可或缺的方式。然而,随着视频获取方式的多样和视频编辑的日益简单,网络中充斥着大量的近似重复视频,不仅会引起版权纠纷,而且会影响用户的检索体验,增加服务商的存储压力,这些问题给我们提出了新的挑战。针对近似重复视频检索问题,学者们先后提出不同的方法,早期方法主要通过手工定义特征,通过提取视频关键帧的全局特征、局部特征或融合两种特征的方式从而生成视频的特征表述,然后通过特征匹配来检索近似重复视频。2012年AlexNet在ImageNet竞赛中的突出表现引发了深度学习的浪潮,学者们不断提出新的模型或提出思路改进优化网络模型,使其在许多实际场景中得到了应用,其中卷积神经网络在图像的识别和检索方面取得了极佳的效果,鉴于视频是由多帧图片连续播放的画面,因此卷积神经网络也正在不断被用于视频相关的研究中。本文提出了一种融合风格特征和内容特征的近似重复视频检索方法,并以此为基础设计了一套视频爬虫系统。在近似重复视频检索中,本文利用预训练网络的中间层,计算浅层网络输出的Gram矩阵作为风格特征,深层网络输出作为内容特征,通过特征聚合的方式作为视频的特征表述。本文基于CC_WEB_VIDEO数据集进行了实验,实验结果表明本文提出的方法与当前流行的近似重复视频检索方法相比在整体性能方面得到了提升,平均精度达到0.982。在基于近似重复视频检索的视频爬虫系统设计中,本文对视频的爬取、存储、近似重复视频检索、系统管理、系统监控等多个模块进行了详细的设计与实现,并对系统进行了测试,测试结果显示系统可长时间地稳定运行,并具有良好的近似重复视频鉴别能力。