随着多媒体技术和网络技术的迅速发展,各种视频存储和压缩技术的相继出现,视频信息的获取、传播和存储变得越来越简单方便,研究视频序列,能挖掘出更多有价值的信息。近年来,随着计算机视觉、机器学习、深度学习等领域技术的高速发展,对视频中人物进行有效快速地检索成为基于内容的视频检索领域研究的热点。深度学习是机器学习领域中的新兴分支之一,其具有超强的学习能力,以及优于传统使用手工提取图像特征的能力,因而得到了越来越多的研究者的青睐。现如今校园内或者教室中都安装了摄像头,有大量视频数据,可以挖掘其中丰富的信息。所以本文针对这种场景,通过对人脸检测和人脸识别算法的基础理论和关键技术的深入研究,设计并实现了一个基于深度学习的校园视频检索系统。主要研究内容如下:设计了适于视频检索的卷积神经网络人脸检测算法。在AlexNet卷积神经网络的基础上,通过加深网络的层数,减小卷积层Filter大小等方法设计了一个基于卷积神经网络的人脸检测算法,该算法模型在测试集上达到了98.78%的准确率。改进了传统的人脸跟踪算法。为了提高人脸检测在视频中的稳定性,本文引入了人脸跟踪算法。但传统的人脸跟踪算法,时间复杂度较高,为了降低时间复杂度,使得人脸可以快速在视频中检测出来,本文对传统的人脸跟踪算法进行了改进,并通过实验证明改进算法在降低检索时间复杂度的同时,提高了检索精度。引入了Redis存储卷积神经网络提取的人脸特征。本文在英伟达GTX1070显卡的基础上搭建Caffe平台,并在其GPU模式下进行实验。针对人脸数据库较大的情况下,检索某人在视频中是否出现以及出现的时间延时较大的问题,本文采用基于Redis的检索算法,实验结果证明了其读取数据更快,有助于快速检测识别,实现高效的人脸检索。