伴随着互联网和多媒体技术的飞速发展,不同应用领域中的视频数据呈爆炸式增长。如何从这些海量视频数据中快速检索到用户感兴趣的数据,已经成为目前人们关注的焦点。基于内容的视频检索对视频帧的特征进行分析和利用,通过相关的检索算法快速选出所需要的视频内容,实现高效、便捷地管理和检索视频数据。镜头边界检测是视频检索的基础,然而传统镜头边界检测方法的精度和速度已经不能够满足于现在的研究和应用。随着深度学习的发展,卷积神经网络被很好地应用于此领域。卷积神经网络的不断加深,出现了梯度消失和模型退化等问题,影响了检测的精度和效率。本文提出了一个基于三维密集网络(3D Dense Net)的镜头边界检测算法。通过Dense Net独特的密集连接,在获得深度信息的同时保证了梯度的有效传播,不会产生大量的冗余造成运算量的浪费。为了能够直接对视频进行处理,本文将Dense Net原有的2D卷积替换成3D卷积,3D卷积能够捕捉视频的运动信息,有效增加了可用的特征信息。3D卷积比2D卷积更适合于视频的特征提取。3D卷积结合Dense Net可以很大程度缓解了特征不足、梯度消失和模型退化等问题。在此基础上,本文提出了一种新的深度镜头边界检测框架(DSBD),主要由3D Dense Net分类、合并和后处理三部分组成。通过将视频分为16帧一段且重叠为8的帧段,随机指定渐变、切变和不变三种标签的一种,将其传到3D Dense Net分类器中进行分类,并输出分类完成的帧段。渐变是镜头边界检测中最难检测的变换类型,在后处理中,对分类为不变标签的帧段进行二次检测,防止误检和漏检,最终输出分类正确的三类帧段。本文使用了UCF101、TRECVID和Clip Shots三种数据集对本文方法和目前较先进的两种方法进行对比训练和测试,结果表明本文方法可以有效提高镜头边界检测的准确率。本文也在百视通数字院线系统的基础上加入了镜头边界检测的功能,实现了对视频镜头的检测,并且使用了两部电影预告片进行了镜头边界检测实验,检测效果良好,证明本文提出的方法可以有效提高检测效果。