Στα πλαίσια της παρούσας διδακτορικής διατριβής μελετάται το πρόβλημα της ανάλυσης και αναζήτησης πολυμεσικών δεδομένων σε μεγάλες και δυναμικές βάσεις δεδομένων, και ειδικότερα ζητήματα που έχουν να κάνουν με την υπολογιστικά αποδοτική διαχείριση, ανάλυση και αναζήτηση μέσα σε μεγάλες βάσεις πολυμεσικών περιγραφέων (multimedia descriptors) και άλλων μεταδεδομένων πολυμέσων. Συγκεκριμένα, αρχικά παρουσιάζεται η σχετική βιβλιογραφία με έμφαση στα πολυμέσα, το διαδίκτυο και τα κοινωνικά δίκτυα. Στην συνέχεια, παρουσιάζεται μία νέα μέθοδος ομαδοποίησης (clustering) μεγάλου όγκου πολυδιάστατων διανυσματικών δεδομένων με χρήση ημι-εποπτευόμενης μάθησης και περιορισμούς, και παρατίθεται συγκριτική αξιολόγηση της μεθόδου με άλλες σχετικές μεθόδους. Ακολουθεί η παρουσίαση μεθόδου ομαδοποίησης πολυμεσικών δεδομένων από κοινωνικά δίκτυα για τον εντοπισμό συμβάντων στον πραγματικό κόσμο. Επιπρόσθετα παρουσιάζεται μία μεθοδολογία για την ανάλυση πολυδιάστατων διανυσμάτων περιγραφέων και η χρήση της για την αποδοτική διευθυνσιοδότηση (indexing) περιγραφέων εικόνων διατηρώντας το υπολογιστικό κόστος χαμηλό. Επιπλέον παρουσιάζεται μεθοδολογία και ερευνητικά αποτελέσματα για την, σε πραγματικό χρόνο, ανάλυση και αναζήτηση πολυμέσων μεγάλου όγκου με την συνέργια υπολογιστικών μεθόδων με ανθρωποκεντρικές τεχνικές και την συλλογική ευφυΐα. Τέλος, παρουσιάζεται ένα πρωτόκολλο για την αποδοτική αναζήτηση πολυμέσων μέσα σε περιεχομενο-κεντρικά δίκτυα (Content-Centric Networks), καθώς και παρουσιάζεται η εφαρμογή του σε αναζήτηση εικόνων και 3Δ αντικειμένων σε ένα πειραματικό δίκτυο. Η διατριβή ολοκληρώνεται με την σύντομη παρουσίαση του λογισμικού που αναπτύχθηκε κατά την διάρκεια αυτής της προσπάθειας.