描述了用于视频分割和场景识别的方法和系统。接收具有多个帧的视频以及与所述视频相关联的字幕文件。对所述视频执行分割，以基于所述视频的所述帧中特征的逐帧比较生成包括一个或多个视频帧的第一组视频帧。所述第一视频帧中的每个视频帧包括帧指示器，所述帧指示器至少指示视频帧的第一起始帧。解析与所述视频相关联的所述字幕文件，以基于所述字幕文件中的每个对话的起始时间和结束时间生成一个或多个字幕片段；基于所述第一组视频帧中的所述视频帧和所述一个或多个字幕片段，生成包括一个或多个第二视频帧的第二组视频帧。所述第二组视频片段包括至少一个合并视频片段，所述合并视频片段通过合并所述第一组视频片段中对应于公共字幕片段的两个或多个视频片段生成。