随着互联网的发展与大数据时代的来临,网络数据存储总量迎来了爆炸式增长,人类的日常生活已经与数据密不可分,每个人都是信息的接受者。但是在海量的网络数据中却存在许多令人烦心的广告,比如高利贷广告,带有社交账号的诈骗广告及境外违法网站的广告等。目前许多网站都会采用关键词屏蔽的方式封禁文本格式的广告,由于图片比文本更具有隐蔽性,有一部分广告采取了在图片中嵌入文字的方式,因此许多平台不能分辨用户上传到服务器的图片是否是广告图片。用户在使用聊天软件或社交媒体时便会被这些广告图片骚扰,非常影响上网体验。此外,泛滥的广告图片还可能为赌博、邪教传播等网络违法犯罪活动提供温床。为了解决上述问题,本文设计并实现了一种高效的基于异构计算的广告图片识别系统,它能够判断用户上传的图片是否为广告图片并给出识别结果。本文主要工作内容如下:第一,广告图片识别系统实现了人机交互界面功能,图片文本检测功能,图片文本识别功能以及文本分类功能。系统具备简明易用的人机界面,用户能够选择待识别数据源的系统路径,且界面能够实时更新识别结果并反馈给用户。考虑到广告图片拥有较为复杂的背景,图片文本检测功能参照了自然场景文本检测方式,使用卷积神经网络提取待识别图像的特征,利用循环神经网络变种BLSTM学习文本框的序列特征,最后采用文本线构造算法得到文本区域。图片文本识别功能的实现也使用了卷积神经网络及BLSTM,使用连接时序分类对齐文本输出。为了避免繁琐的特征提取手工优化步骤,文本分类采用了端到端联合训练的深度学习方式。第二,为了解决图片识别速度慢、纯CPU计算时间长的问题,本文采用异构计算对系统进行加速。对采用的算法进行并行性分析并对比设备功耗后,本文选用了基于OpenCL框架的异构计算系统,使用FPGA作为系统的异构计算设备,对算法中并行度高且消耗时间长的部分进行加速。经过测试,系统的广告图片识别检测率达到预期,满足了需求分析中对于系统准确性和识别效率的要求。相较于纯CPU的解决方案,使用基于异构计算的解决方案提升了系统的效能比,对解决互联网广告泛滥的问题具有重要意义。