從視頻會議的技術標準上看，目前視頻會議系統大體上可以分為兩類，基于H.323標準的視頻會議系統和基于SIP標準的視頻會議系統。H.323是ITU-T較早期的視頻會議標準, 該標準完全建立在一系列視頻會議系統專有的技術之上，而SIP標準完全建立在通用的計算機網絡通信基礎之上。至從2003年，H.323標準被頒布以來，越來越多的廠商推出了符合SIP標準的產品。
現在基本上有兩種流行技術標準，一種是H323標準，另外一種是SIP標準。
建立H.323標準是為了允許不同廠商的多媒體產品和應用能互操作，該標準涵蓋了音頻、視頻和數據在IP網絡上的通信，包括各種獨立設備、個人計算機技術以及點對點和點對多點視頻會議，該標準解決了視頻會議中呼叫與會話控制、多媒體與帶寬管理等問題。目前，H.323標準的視頻會議系統可以有ADSL、電信專線、衛星網絡等多種選擇。
SIP是由IETF所制定，其特性幾乎與H.323相反，原則上它是一種比較簡單的會話初始化協議，也就是只提供會話或呼叫的建立與控制功能。SIP協議可支持多媒體會議、遠程教學及Internet電話等領域的應用。
SIP同時支持單點播送(Unicast)及群播功能，換句話說，使用者可以隨時加入一個已存在的視訊會議之中。在網絡OSI屬性上，SIP屬于應用層協議，所以可透過UDP或TCP協議進行傳輸。
兩種標準的網絡結構
視頻會議系統的網絡結構隨與會者參加方式的不同有所不同，從整體上看，有兩種組網結構：點對點組網結構和多點會議組網結構。
1.點對點組網結構
點對點視頻會議系統只涉及到兩個會議終端系統，其組網結構非常簡單，不需要MCU。
2.多點會議組網結構
在多個會議場點進行多點會議時，必須設置一臺或多臺MCU。 多點會議組網結構比較復雜，根據MCU數目可分為兩類：單MCU方式和多MCU方式。而多MCU方式一般又可分為兩種：星型組網結構和樹型組網結構。
在會議場點數目不多且地域分布比較集中時，可采用單MCU方式。由單個MCU連接的多點視頻會議系統的會議控制模式常常是聲控模式和發言者控制模式。
多MCU連接的星型組網結構對會議終端系統要求較低，增加新會議場點時易擴展。由于該組網方式的會議場點數目較多，其會議控制模式宜采用主席控制模式。
要注意的是，H.323視頻會議系統的MCU組網和SIP的有些不同，H.323中MCU只是邏輯意義上的網狀結構，它們之間沒有固定連接。在比較復雜的H.323視頻會議系統中，還有一個部件即網守, 它的功能是為H.323節點提供呼叫控制服務，借助它可以組建非常復雜的網絡。在有網守的視頻會議系統中，網守負責的區域內的所有H.323節點必須在網守上登記注冊。多個網守可組成網狀機構和主從結構：網狀結構中每一個網守地位平等，分別管理所連接MCU的地址解析、區域管理，主從結構的可以有一個網守和多個域網守組成數型結構，便于對網絡進行升級擴容。