随着多媒体信息技术和网络的飞速发展，基于内容的视频检索(CBVR)已成为当前视频研究的热点课题之一。而视频内容分析技术是实现CBVR的技术基础，其中镜头边界检测和视频语义提取都是视频内容分析研究中的核心技术。由于视频数据量巨大、编辑效果多样以及存在多种干扰，很难提出一种通用性和检测性能俱佳的算法，因此镜头边界检测具有很大的研究价值。同时低层特征和高层语义之间存在语义鸿沟，使得用语义概念来描述和操作视频的内容变得非常困难。如何提取视频语义信息，跨越语义鸿沟成为当前非常具有挑战性的研究方向。　　 针对上述视频内容分析中的问题，本文结合相关向量机和图分割模型各自的优势，将两者应用在镜头边界检测和视频语义提取的算法中，以提高视频内容分析的性能。本文的主要创新内容如下：　　 1．深入研究了视频内容分析的关键技术--镜头边界检测和视频语义提取，综述了目前已有的算法，并且从不同角度分析了它们的优势和不足。基于此，提出了基于RVM的视频分析系统框架并且已经成功实现。该框架可以高效地进行视频内容的分析和相关的研究工作。　　 2．提出了基于RVM的视频边界检测算法。在算法中，采用了多对帧间比较的方法，并且训练时使用RVM代替传统的SVM，以提高分类器性能。本文实验以TRECVID2005视频数据为素材，实验结果表明：本文算法已经解决了闪光造成的影响以及阈值设置问题，而且在进行边界检测时，不但准确率有显著提高，而且比基于SVM的算法更加高效。　　 3．提出了融合主动学习和RVM的视频关键帧语义提取算法。该算法在结合HSV直方图、MPEG-7边缘直方图和灰度共生矩阵多种底层特征的基础上，采用图分割模型对二叉树结构进行优化，进而构造最优二叉树多分类器，并且运用主动学习策略选择最佳样本加速RVM训练过程。实验结果表明：该算法提升了训练速度，同时训练的最优二叉树多分类模型能够更加准确地提取语义，而且速度加快了近17％。