بخشی از شهرت روزافزون آیزنشتاین در آغاز پیدایش زبان سینما مربوط به نظریه‌های سینمائی او بود که خود آنها را در عمل پیاده می‌کرد. مجموعهٔ نوشته‌های او در این باب - که بعدها در دو جلد تحت عناوین درک فیلم (۱۹۴۲) و شکل فیلم یا فرم فیلم (۱۹۴۸) منتشر شد - از ۱۹۲۳ در حال انباشته شدن بود تا آنکه پس از موفقیت چشم‌گیر رزمناو پوتمکین در جهان، او این نظریه‌ها را تدوین کرد که مهم‌ترین نقش را در نظریهٔ فیلم - فرایافت دیالکتیکی در مونتاژ - ایفاء کردند. به‌طور خلاصه می‌توان گفت آیزنشتاین تدوین (مونتاژ) را همچون فرآیندی منطبق با دیالکتیک مارکسیستی می‌دید، که در آن تاریخ و تجربه‌های انسانی حاصل تضادی دائمی میان نیروی مبارز (تز یا برنهاد) با نیروی بازدارنده (آنتی تز یا برابر نهاد) است و از برخورد این دو نیرو پدیدهٔ کاملاً نوینی‌زاده می‌شود که سنتز (همنهاد) اصطلاح شده است. همنهاد در واقع حاصل جمع این دو نیرو نیست بلکه چیزی بزرگ‌تر از آن دو و متفاوت با آنها است. فرآیند موردنظر را می‌توان با نمودار زیر نشان داد:
همنهادی که از تضاد میان برنهاد و برابر نهاد حاصل می‌شود خود بدل به الگوی دیالکتیکی تازه‌ای می‌شود تا به نوبهٔ خود برابر نهاد نوئی بیابد و این عمل تا پایان زمان تاریخی ادامه دارد. آیزنشتاین معتقد بود که در تدوین فیلم، نمایا یاخته‌ٔ مونتاژ، بر نهادی است که در مقابل نمای دیگر، با محتوای بصری متضاد - یعنی برابر نهاد خود - همنهادی تولید می‌کند (یک نظر یا یک نقطه‌نظر) که به‌نوبه خود، و در دیالکتیکی نو خرد بدل به یک برنهاد می‌شود. این تضاد بصری میان نماها بر خطوط موجود در تصویر، بر سطوح، سایه‌روشن‌ها و نورپردازی و غیره، در درون هر نما نیز حاکم است و تنها به محتوای دراماتیک محدود نمی‌شود. بنابراین آیزنشتاین مونتاژ را همچون سلسله‌ای از ایده‌ها و نقطه‌نظرهائی که از تصادم نماهائی مستقل حاصل می‌شود تعریف می‌کرد و به شیوهٔ خود آن را به یک سلسله انفجارهائی از احتراق‌های درون موتور یک ماشین، که اتومبیل یا تراکتوری را به پیش می‌رانند تشبیه می‌کرد. یکی دیگر از قیاس‌های مورد علاقهٔ او قیاسی زبان‌شناختی بود: درست به همان شکلی که کلمات منفرد در یک جمله متکی به معنائی هستند که در کنار کلمات دیگر می‌گیرند، نماهای منفرد در یک فصل مونتاژی نیز معنای خود را از عمل متقابل با نماهای دیگر در درون یک فصل فیلم به‌دست می‌آورند.
فرض ضمنی این نظریه آن است که تماشاگر فیلم نماهای مونتاژ شده در یک فصل را به ترتیب یا پشت سرهم نمی‌بیند بلکه آنها را همزمان می‌بیند، چنانکه گوئی هر تصویر همواره بر تصاویر دیگر منطبق است. به دیگر سخن، تماشاگر نماها را با یکدیگر جمع نمی‌زند تا حاصل جمع آنها را (ABC = A + b + C) دریابد بلکه به‌صورت گشتالت - تمامیت یا مجموعه‌ای که متفاوت و بزرگ‌تر از حاصل جمع اجزاء خود است (ABC = X) - می‌بیند. چرا که نماهای B،A و C تنها در نوار فیلم به‌دنبال یکدیگر می‌آیند، اما هنگامی‌که بر پرده می‌افتند ذهن بینده آنها را به شیوه‌ای مشابه با انطباق تصاویر در عکاسی به یکدیگر متصل می‌کند. آیزنشتاین بسیاری از نظریه‌های خود را از مطالعهٔ روان‌شناختی دریافت ذهن فراهم آورد: و برای تبیین فرآیند مونتاژ دیالکتیکی خود هر از گاه تصویرنگاری یا اندیشه‌نگاری‌های ژاپنی را مثل می‌آورد. در خط - نگاره‌های ژاپنی می‌توان از ترکیب نمادهائی از دو فرایافت قدیمی‌تر فرایافتی کاملاً تازه به‌وجود آورد. به‌علاوه در آن سنت فرایافت تازه به هیچ‌وجه صرفاً حاصل جمع اجراء خود نیست بلکه بدون استثناء برداشتی انتزاعی است که به هیچ شکل دیگری جز به همان صورت نمی‌توان ترسیم کرد. مثلاً نماد سگ در کنار نماد دهان اندیشه - نگاری به‌دست می‌دهد که قاعدتاً باید دهان سگ باشد، اما در اینجا به معنای عوعوی سگ فهمیده می‌شود. نمونه‌های زیر از آن جمله هستند:
کودک + دهان = فریاد
پرنده + دهان = آواز خواندن
چاقو + قلب = اندوه
آب + چشم = گریه
در + گوش = شنیدن
آیزنشتاین بر آن بود که همهٔ فیلم‌ها را، به همراه فصل‌های خود مختار درون خود، می‌توان بر اساس دیالکتیک بنا کرد. در این مقالات او مدعی شد که هر قسمت با پردهٔ فیلم پوتمکین به شیوه‌های کائه‌زورا یا سکته به دو نیمه تقسیم شده تا مکثی تأثیرگذار در میانهٔ حرکت صحنه به‌وجود آورد، و اینکه پوتمکین به‌عنوان یک کل توسط فصل مه در بندرگاه، در آغاز پردهٔ سوم، خود به دو بخش تقسیم شده است: الگوی دیالکتیکی هر پرده (و خود فیلم)، افزایش تنش، و به‌دنبال آن نتیجه‌گیری و انفجار تنش است، که این دو حالت منجر به تولید یک سنتز (همنهاد) می‌شوند، که به نوبهٔ خود تزی (برنهادی) برای پردهٔ بعد فراهم می‌کنند. آیزنشتاین در مقالات دیگری کوشیده پنج نوع متفاوت از روش‌های مونتاژی است تعیین کند که همهٔ آنها را می‌توان همزمان در یک فصل به‌کار برد:
۱. مونتاژ طولی (متریک)
۲. مونتاژ وزنی (ریتمیک)
۳. مونتاژ لحنی یا آهنگین (تونال)
۴. مونتاژ فرالحنی (اُورتونال)
۵. مونتاژ روشنفکرانه یا ایدئولوژیک.
مونتاژ طولی که بی‌توجه به محتوای نماها تنها به ضرباهنگ توجه دارد. در اینجا اساس تدوین را طول زمان یا زمانی تعیین می‌کند که تصویر بر پرده می‌افتد، یعنی طولی که بر اساس یک الگوی عادی متریک برای برش فیلم در نظر گرفته شده است. او مونتاژ وزنی (ریتمیک) را شکل تعالی یافتهٔ مونتاژ طولی (متریک) ارزیابی می‌کرد که در آن آهنگ بُرش متناسب با ضرباهنگ حرکت درون نماها و همچنین متناسب با مطالبات از پیش تعیین شده‌ٔ مواد اولیه کار انتخاب می‌شود. در مونتاژ لحنی آیزنشتاین کوشیده صحنه‌اش را فراتر از وزن (ریتم) تصویر ببرد تا لحن (نوای) عاطفی حاکم بر تصاویر او پایهٔ تدوین قرار گیرد.
مونتاژ فرالحنی در حقیقت همنهاد (سنتز) مونتاژ‌های طولی، وزنی و لحنی است، که تنها در لحظهٔ نمایش بر پرده عمل می‌کند و به فرآیند تدوین کاری ندارد. مونتاژ روشنفکرانه یا ایدئولوژیک را آیزنشتاین، چه در نظر و چه در عمل، بیش از انواع دیگری دوست می‌داشت. آیزنشتاین مدعی بود که مونتاژ قادر است با خلق ارتباطی ذهنی از طریق نماهائی با محتواهای متضاد ایده‌هائی انتزاعی القاء کند. استادانه‌ترین کاربرد این تکنیک استعاری در سومین فیلم او، اکتبر (ده روزی که دنیا را تکان داد (October (The Days that Shook the Workd)، ۱۹۲۸) به‌کار گرفته شد. همهٔ اندیشه‌های آیزنشتاین در مونتاژ نظر به استقرار زبان منحصر سینمائی مبتنی بر تداعی معانی روانکاوانه و تحریک عاطفی تماشاگر داشت، و چندان دربند منطق روائی نبود، یا اصلاً نبود. این زبان که حاصل یک عمر مطالعه در پویا کردن زیبائی‌شناسی ادراک بود و آیزنشتاین اصطلاح مونتاژ دیالکتیکی را برایش وضع کرده بود، در جهت تسلط کامل روان تماشاگر از هر دو جنبهٔ عاطفی و مغزی عمل می‌کرد. بعدها منتقدان فیلم، به‌ویژه پیروان نظریه‌پرداز فرانسوی، آندره‌بازن، چنین عنوان کردند که مونتاژ دیالکتیکی بیش از حد تحمیل‌کننده و حتی مستبدانه است.