随着互联网的高速发展,网络信息呈现多样化、复杂化、海量化趋势,各种各样的不良信息(特别是淫秽色情类)充斥在互联网中。为了保障青少年身心健康,需要对网络中不同类型的色情信息进行全面监管,由于色情信息的主要形式包括文字、图像、视频、音频,因此本文对这几种类型的色情信息开展了研究。传统的检测方法最大的问题就是采用单一的特征匹配很容易被绕过,而深度学习算法具有良好的特征提取与特征融合机制,目前深度学习已经广泛应用于计算机视觉、自然语言处理以及语音识别等领域且在这些领域都达到了最先进的水平,因此本文主要利用深度学习来识别色情文本、色情图像与色情视频。色情文本识别通常采用关键字过滤,但是这种方法很容易被绕过,常见绕过机制包括同音绕过、同形绕过、拼音绕过等。这些绕过机制在互联网中已经处于常态,对网络安全造成了巨大威胁,为了防止这些绕过机制,本文将汉字、拼音、拼音首字母、五笔编码共四种形式作为循环神经网络模型的输入,加上注意力机制,然后通过特征融合的方式实现色情文本识别。经试验测试,准确率高达99%,并且能够有效防止以上几种绕过机制,更具有鲁棒性。色情图像检测有时候会出现歧义,即图片在不同的对象、事件、环境下有不同的定义,因此本文首先详细地讨论了色情图像的定义问题,并在给定标准下将色情图像分为四类,分别为绝对色情、部分色情、性感以及正常。针对该分类标准,设计了基于全局分类与敏感局部分类结合的网络模型,全局分类主要采用传统图像特征与卷积特征结合的网络架构,实现对全局图像的分类。敏感局部分类是采用类YOLO思想的方式粗略地判断是否存在敏感信息,最后将两者分类信息拼接融合得到最终分类结果,经试验测试,准确率高达96.7%,且漏报率低。色情视频可以看成色情图像的集合,本文针对色情视频处理复杂度高的问题进行了相应的处理,采用了聚类的方法获取关键帧以及利用深度可分离卷积代替普通卷积来减少计算量。为了统一成端到端的训练方法,采用三维卷积网络获取空间特征和动作特征,利用MFCC算法提取音频信息并利用BLSTM获取音频特征,最后采用按位相加的方式融合所有特征得到最终分类结果,经试验测试,准确率高达95.5%,且该方法在音频信号较强时有更好的检测效果。