自然场景分析与理解是与人类生活密切相关的研究领域,主要包含听觉场景和视觉场景两类最为重要的组成部分。在听觉场景理解中,基于内容的音频信息摘要工作为分析音频语义信息提供着可靠的线索,是音频研究领域的重要环节;在视觉场景理解问题中,文本则是重要的语义载体,文本信息提取和理解也因此逐渐成为视觉内容理解的关键之一。本文首先提出了一种多源音频场景下的基于检测声音事件和场景变化的音频摘要方法。该方法首先检测固有声音空间中发生变化的位置对音频流进行粗略的分割,并利用一个自适应的算法调整音频分割点的位置;然后,通过谱聚类的方法将相似音频分割片段聚类,得到不同的音频事件,并识别出其中的背景音频事件、前景音频事件和关键音频事件;最后,结合上下文模型来帮助发现并标识音频事件之间的语义关系,从而得到摘要。该方法的有效性在来自多种类型的电影电视音频数据中得到了印证,在音频摘要提取上取得了很好的性能。鉴于视频帧中文本信息模糊的问题会给文字检测和识别造成一定程度的困扰,我们提出了一种用于模糊视频文本信息增强的多光谱融合方法。该方法首先把输入视频帧分别转化为灰度图、R值图、G值图和B值图,并分别进行局部区域的增强。然后,我们将四个通道的增强图按照多种规则融合成五幅中间图。我们用取中值的方法将这五幅中间图进行融合,得到融合-1增强图。进一步地,我们将五幅中间图分别用k等于2的k-means方法转化成五幅二值图,并按照中值规则进行再次融合,得到最后的融合-2增强图。在多来源退化视频帧数据上的实验结果表明,该方法在一定程度上可以有效地增强退化图片中的文本信息,提高文字检测与识别的结果。